HashSlap-Summer-of-Code/ml-core

Design a Unified ML Experiment Tracking Framework

Aperta

#7 aperta il 18 giu 2025

Vedi su GitHubGuida contributor
 (0 commenti) (0 reazioni) (0 assegnatari)Jupyter Notebook (11 fork)auto 404
Intermediateenhancementgood first issuehacktoberfesthssoc

Metriche repository

Star
 (3 stelle)
Metriche merge PR
 (Metriche PR in attesa)

Descrizione

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.

Guida contributor

Direzione di ricerca
Crea un'utilità Python per registrare le metriche ML in CSV, aggiungi funzionalità di plottaggio con matplotlib, posiziona in utils/, scrivi un README che spiega l'uso. Per l'obiettivo secondario, esplora l'integrazione con MLflow.
Tech stack
python
Dominio
machine learning
Tipo issue
Funzionalità
DifficoltàQuanto dovrebbe essere impegnativa per un nuovo contributor.
2
Tempo stimatoTempo stimato per completare e verificare uno scope piccolo.
1-2 giorni
Stato attivitàQuanto è probabile che la issue sia ancora attiva e reviewable.
Attiva
ChiarezzaQuanto chiaramente la issue descrive problema, scope e risultato atteso.
Chiara
Prerequisiti
PythonGit
Adatta ai principiantiQuanto la issue è adatta a contributor alla prima esperienza.
75