HashSlap-Summer-of-Code/ml-core

Design a Unified ML Experiment Tracking Framework

Ouverte

#7 ouverte le 18 juin 2025

Voir sur GitHubGuide contributeur
 (0 commentaire) (0 réaction) (0 personne assignée)Jupyter Notebook (11 forks)auto 404
Intermediateenhancementgood first issuehacktoberfesthssoc

Métriques du dépôt

Stars
 (3 étoiles)
Métriques de merge PR
 (Métriques PR en attente)

Description

Description:
Develop a lightweight and consistent way to log and visualize machine learning experiment results across all subfolders (e.g., neural-networks, supervised-learning, anomaly-detection). This helps contributors compare results over time and improve reproducibility.

Expected Tasks:

  • Create a Python utility (e.g., experiment_logger.py) that logs metrics like accuracy, loss, and hyperparameters to a .csv file.
  • Add basic plotting functionality using matplotlib or seaborn.
  • Place the utility in a new folder like utils/ or tools/.
  • Create a sample log for an existing implementation (e.g., Perceptron).
  • Write a README.md in the root directory explaining:
    • How to use the logger.
    • Required libraries.
    • How to integrate it into a new or existing ML script.

Stretch Goal:

  • Explore integration with lightweight experiment trackers like MLflow or Weights & Biases, while keeping setup minimal.

Guide contributeur

Direction de recherche
Créez un utilitaire Python pour enregistrer les métriques ML dans un CSV, ajoutez des fonctionnalités de traçage avec matplotlib, placez le dans utils/, rédigez un README expliquant l'utilisation. Pour l'objectif supplémentaire, explorez l'intégration avec MLflow.
Stack technique
python
Domaine
machine learning
Type d'issue
Fonctionnalité
DifficultéDifficulté estimée pour un nouveau contributeur, de 1 pour un très petit changement à 5 pour un travail expert.
2
Temps estiméFourchette de temps approximative pour investiguer, implémenter, tester et préparer une pull request.
1-2 jours
Statut d'activitéDisponibilité apparente de l'issue : fraîche, active, ancienne, bloquée ou en attente d'un mainteneur.
Active
ClartéClarté avec laquelle l'issue explique le changement attendu, les critères d'acceptation et la prochaine étape.
Claire
Prérequis
PythonGit
Accessibilité débutantScore de 1 à 100 estimant l'accessibilité de cette issue pour un premier contributeur.
75