🚀 MLPY - Modern Machine Learning Framework for Python

MLPY es un framework moderno y extensible de aprendizaje automático para Python, inspirado en mlr3. Proporciona una interfaz unificada, componible y orientada a objetos para tareas de machine learning.

✨ Características Principales

• 🎯 API Unificada: Interfaz consistente para clasificación, regresión, clustering y más
• 🧩 Diseño Modular: Bloques componibles para flujos de trabajo complejos
• 🔧 Altamente Extensible: Fácil integración de nuevos learners, medidas y transformaciones
• 📊 Evaluación Robusta: Múltiples estrategias de resampling y medidas de rendimiento
• 🤖 AutoML Integrado: Optimización automática de hiperparámetros y feature engineering
• ⚡ Alto Rendimiento: Paralelización nativa y backends optimizados
• 🔍 Explicabilidad: Interpretación de modelos con SHAP, LIME y más
• 📈 Visualización Rica: Gráficos interactivos para análisis de resultados
• 🔗 Integración Total: Compatible con scikit-learn, XGBoost, LightGBM, PyTorch

📦 Instalación

Instalación Básica

pip install mlpy

Instalación Completa (todas las dependencias)

pip install mlpy[all]

Instalación para Desarrollo

git clone https://github.com/your-org/mlpy.git
cd mlpy
pip install -e .[dev]

🚀 Inicio Rápido

Ejemplo Básico de Clasificación

import pandas as pd
from mlpy.tasks import TaskClassif
from mlpy.learners.sklearn import LearnerRandomForestClassifier
from mlpy.resamplings import ResamplingCV
from mlpy.measures import MeasureClassifAccuracy

# Cargar datos
data = pd.read_csv("iris.csv")

# Crear tarea de clasificación
task = TaskClassif(data=data, target="species")

# Crear learner
learner = LearnerRandomForestClassifier(n_estimators=100, random_state=42)

# Configurar cross-validation
cv = ResamplingCV(folds=5)

# Entrenar y evaluar
learner.train(task)
predictions = learner.predict(task)

# Medir rendimiento
measure = MeasureClassifAccuracy()
accuracy = measure.score(predictions.truth, predictions.response)
print(f"Accuracy: {accuracy:.2%}")

Pipeline Completo con AutoML

from mlpy.automl import AutoML
from mlpy.tasks import TaskRegr

# Crear tarea
task = TaskRegr(data=data, target="price")

# Configurar AutoML
automl = AutoML(
    task=task,
    time_budget=300,  # 5 minutos
    metric="rmse"
)

# Ejecutar optimización
best_model = automl.fit()

# Hacer predicciones
predictions = best_model.predict(task)

📚 Documentación Completa

Guías Principales

• 📖 Guía de Usuario Completa
• 🎓 Tutoriales Paso a Paso
• 🔬 Guía de Evaluación Lazy
• 📊 Guía de Big Data
• 🧪 Guía de Testing
• 💾 Guía de Persistencia
• 🖥️ Guía de CLI

Casos de Uso

• 🛒 Predicción de Churn en Retail
• 📊 Ejemplos con Big Data

🏗️ Arquitectura

mlpy/
├── core/           # Componentes fundamentales
├── tasks/          # Definición de tareas ML
├── learners/       # Algoritmos de aprendizaje
├── measures/       # Métricas de evaluación
├── resamplings/    # Estrategias de validación
├── pipelines/      # Pipelines de procesamiento
├── automl/         # AutoML y optimización
├── validation/     # Validación de datos
├── backends/       # Backends de computación
└── visualization/  # Herramientas de visualización

🎯 Modelos Disponibles

Clasificación

• Random Forest, Gradient Boosting, XGBoost, LightGBM
• SVM, Logistic Regression, Naive Bayes
• Redes Neuronales (MLP, CNN, RNN)
• Deep Learning con PyTorch

Regresión

• Linear/Ridge/Lasso/ElasticNet
• Random Forest, Gradient Boosting
• Support Vector Regression
• Redes Neuronales

Clustering

• K-Means, DBSCAN, Hierarchical
• Gaussian Mixture Models
• Spectral Clustering
• HDBSCAN con auto-tuning

Deep Learning

• LSTM, GRU, BiLSTM para series temporales
• Transformers para NLP
• CNNs para visión por computadora

📊 Benchmarking

from mlpy.benchmark import Benchmark

# Configurar benchmark
benchmark = Benchmark(
    tasks=[task1, task2],
    learners=[learner1, learner2, learner3],
    resamplings=[cv, holdout],
    measures=[accuracy, auc, f1]
)

# Ejecutar
results = benchmark.run(parallel=True)

# Visualizar
results.plot_comparison()
results.to_latex("results.tex")

🧪 Testing

El framework incluye una suite completa de tests:

# Ejecutar todos los tests
pytest tests/

# Con coverage
pytest --cov=mlpy tests/

# Tests rápidos de validación
python test_quick_validation.py

Estado actual:

• ✅ 7/7 tests de validación pasando
• ✅ 29/34 tests unitarios pasando (85%)
• 📊 16.28% coverage de código

🤝 Contribuir

¡Las contribuciones son bienvenidas! Por favor:

1. Fork el repositorio
2. Crea una rama para tu feature (git checkout -b feature/AmazingFeature)
3. Commit tus cambios (git commit -m 'Add AmazingFeature')
4. Push a la rama (git push origin feature/AmazingFeature)
5. Abre un Pull Request

📈 Roadmap

v2.1 (Actual)

• ✅ Model Registry completo
• ✅ Deep Learning models (LSTM, GRU, Transformers)
• ✅ Advanced clustering con auto-tuning
• ✅ Sistema de validación mejorado

v3.0 (Próximo)

• MLOps completo (tracking, deployment)
• AutoML mejorado con NAS
• Distributed training
• GUI interactiva

📝 Licencia

Este proyecto está licenciado bajo la Licencia MIT - ver el archivo LICENSE para más detalles.

🙏 Agradecimientos

• Inspirado en mlr3 de R
• Construido sobre scikit-learn
• Integración con el ecosistema Python ML

📞 Contacto

• 📧 Email: mlpy@example.com
• 💬 Discord: MLPY Community
• 🐦 Twitter: @mlpy_framework

---

⭐ Si te gusta MLPY, dale una estrella en GitHub!

Hecho con ❤️ por la comunidad MLPY