microsoft/FLAML

support anomaly detection

Open

#413 geöffnet am 19. Jan. 2022

Auf GitHub ansehen
 (4 Kommentare) (4 Reaktionen) (0 zugewiesene Personen)Jupyter Notebook (560 Forks)github user discovery
enhancementgood first issue

Repository-Metriken

Stars
 (4.364 Stars)
PR-Merge-Metriken
 (PR-Metriken ausstehend)

Beschreibung

Add a task type 'anomaly_detection', and at least one learner for it.

From my understanding there are multiple types of anomalies - point anomalies, contextual anomalies, and collective anomalies - and also different types of anomaly detection algorithms - nearest-neighbor, clustering, classification, and statistic based.

If anyone has any suggestions or requests for this task, please comment.

Contributor Guide

Research-Richtung
Untersuchen Sie die vorhandenen FLAML Aufgabentypen, insbesondere deren Struktur und Registrierung. Entwerfen und implementieren Sie dann einen Aufgabentyp 'anomaly detection' mit mindestens einem Lernverfahren, z. B. Isolation Forest oder k nächste Nachbarn. Beginnen Sie mit dem Lesen des Entwicklerhandbuchs und untersuchen Sie Beispiele anderer Aufgabentypen.
Tech Stack
python
Domain
backend
Issue Type
Funktion
SchwierigkeitGeschätzte Implementierungsschwierigkeit für neue Contributors, von 1 für sehr kleine Änderungen bis 5 für Expertenarbeit.
3
Geschätzte ZeitEin grober Zeitrahmen, um zu recherchieren, zu implementieren, zu testen und einen Pull Request vorzubereiten.
1-2 Tage
AktivitätsstatusWie verfügbar das Issue gerade wirkt: frisch, aktiv, stale, blockiert oder wartet auf Maintainer-Input.
Aktiv
KlarheitWie klar das Issue die erwartete Änderung, Akzeptanzkriterien und den nächsten Schritt erklärt.
Meist klar
Voraussetzungen
PythonMachine LearningGit
EinsteigerfreundlichkeitEin Score von 1 bis 100, der schätzt, wie zugänglich dieses Issue für First-Time Contributors ist.
55