mltrackflow 0.1.0

Makine öğrenimi eğitim süreçlerini şeffaf ve izlenebilir hale getiren kapsamlı Python kütüphanesi

MLTrackFlow 🚀

Makine Öğrenimi Eğitim Süreçlerini Şeffaf ve İzlenebilir Hale Getiren Python Kütüphanesi

MLTrackFlow, ML model geliştirme sürecinizi adım adım izlemenize, kayıt altına almanıza ve görselleştirmenize olanak tanıyan kullanıcı dostu bir Python paketidir.

✨ Neden MLTrackFlow?

🎯 Tek Satırda Başlayın

from mltrackflow import ExperimentTracker

tracker = ExperimentTracker(experiment_name="my_project")
with tracker.start_run("first_experiment"):
    tracker.log_model_metrics(model, X_test, y_test)  # Otomatik!

🌟 Temel Özellikler

• 🎓 Yeni Başlayanlar İçin: Basit API, otomatik loglama, bol örnek
• 📊 Otomatik Metrik Takibi: Accuracy, precision, recall, F1 otomatik hesaplanır
• 🔄 Pipeline Yönetimi: Veri hazırlıktan modele kadar tüm adımları organize edin
• 📈 Zengin Görselleştirme: Confusion matrix, learning curves, feature importance
• 🏆 Model Karşılaştırma: Farklı modelleri kolayca kıyaslayın
• 📄 HTML Raporları: Tek tıkla profesyonel raporlar
• 💾 Model Versiyonlama: Tüm modellerinizi organize edin
• 🔒 Veri İzleme: Otomatik veri hash'leme ile değişiklikleri takip edin

🚀 Hızlı Başlangıç

Kurulum

pip install mltrackflow

İlk Deneyiniz (60 saniye!)

from mltrackflow import ExperimentTracker
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.ensemble import RandomForestClassifier

# Veriyi hazırla
data = load_iris()
X_train, X_test, y_train, y_test = train_test_split(
    data.data, data.target, test_size=0.2, random_state=42
)

# Tracker'ı başlat
tracker = ExperimentTracker(experiment_name="iris_demo")

# Model eğit ve kaydet
with tracker.start_run("random_forest"):
    # Parametreleri kaydet
    tracker.log_params({"n_estimators": 100, "max_depth": 5})
    
    # Model eğit
    model = RandomForestClassifier(n_estimators=100, max_depth=5)
    model.fit(X_train, y_train)
    
    # Metrikleri OTOMATIK hesapla ve kaydet
    tracker.log_model_metrics(model, X_test, y_test)
    
    # Modeli kaydet
    tracker.save_model(model, "my_model")

# HTML rapor oluştur
tracker.generate_report()
print("✅ Rapor oluşturuldu: experiments/iris_demo/experiment_report.html")

Çıktı:

🚀 Run başlatıldı: random_forest
📊 Metrik kaydedildi: accuracy = 0.9667
📊 Metrik kaydedildi: precision = 0.9722
📊 Metrik kaydedildi: recall = 0.9667
📊 Metrik kaydedildi: f1_score = 0.9667
✅ Run tamamlandı: random_forest

📚 Özellikler Detaylı

1️⃣ Pipeline ile Modüler İş Akışı

from mltrackflow import MLPipeline, PipelineStep
from sklearn.preprocessing import StandardScaler
from sklearn.decomposition import PCA

# Pipeline oluştur
pipeline = MLPipeline(name="data_pipeline", tracker=tracker)

# Adımları ekle
pipeline.add_step(PipelineStep(name="scaler", transformer=StandardScaler()))
pipeline.add_step(PipelineStep(name="pca", transformer=PCA(n_components=2)))
pipeline.add_step(PipelineStep(name="model", model=RandomForestClassifier()))

# Eğit
with tracker.start_run("pipeline_demo"):
    pipeline.fit(X_train, y_train)
    predictions = pipeline.predict(X_test)

# Görselleştir
pipeline.visualize_steps(output_path="pipeline.png")

2️⃣ Model Karşılaştırma

from mltrackflow import ModelComparator

# Farklı modelleri dene
models = {
    "rf": RandomForestClassifier(n_estimators=100),
    "svm": SVC(kernel='rbf'),
    "logistic": LogisticRegression(),
}

for name, model in models.items():
    with tracker.start_run(name):
        model.fit(X_train, y_train)
        tracker.log_model_metrics(model, X_test, y_test)

# Karşılaştır
comparator = ModelComparator(tracker=tracker)
comparator.compare_runs()
comparator.print_comparison_table()

# En iyiyi bul
best = comparator.get_best_model(metric="accuracy", maximize=True)
print(f"🏆 En iyi model: {best}")

3️⃣ Görselleştirme

from mltrackflow import Visualizer

viz = Visualizer(tracker=tracker)

# Confusion matrix
viz.plot_confusion_matrix(y_test, predictions)

# Feature importance
viz.plot_feature_importance(model, feature_names)

# Model karşılaştırma
viz.plot_metrics_comparison(
    run_names=["rf", "svm", "logistic"],
    metrics=["accuracy", "f1_score"]
)

🎨 Ne Görürsünüz?

MLTrackFlow ile her deneyde:

✅ Otomatik Kayıt: Parametreler, metrikler, modeller
✅ Zaman Damgası: Her işlem zamanlanır
✅ Karşılaştırma Tablosu: Tüm denemeleri yan yana görün
✅ HTML Rapor: Profesyonel, paylaşılabilir raporlar
✅ Grafikler: Confusion matrix, learning curves, feature importance
✅ En İyi Model: Otomatik seçim

💡 Komut Satırı Kullanımı

# Yeni deney başlat
mltrackflow init --name my_experiment

# Deneyleri listele
mltrackflow list

# Rapor oluştur
mltrackflow report --experiment iris_demo

# Modelleri karşılaştır
mltrackflow compare --experiment iris_demo --runs rf svm logistic

🆚 Diğer Araçlarla Karşılaştırma

Özellik	MLflow	W&B	MLTrackFlow
Kurulum	Karmaşık	Kayıt gerekli	pip install ✅
Öğrenme Eğrisi	Orta	Orta	Kolay 🎓
Lokal Çalışma	✅	Kısıtlı	✅
Pipeline Desteği	❌	❌	✅
Otomatik Metrikler	Kısıtlı	Kısıtlı	Tam Otomatik 🤖
Türkçe Dokümantasyon	❌	❌	✅ 🇹🇷
Yeni Başlayanlar İçin	⚠️	⚠️	✅

📖 Dokümantasyon

• Hızlı Başlangıç Rehberi
• API Referansı
• Örnek Projeler
• PyPI Yayınlama

🤝 Katkıda Bulunma

Katkılarınızı bekliyoruz! Lütfen CONTRIBUTING.md dosyasına bakın.

📄 Lisans

Bu proje MIT lisansı altında lisanslanmıştır - detaylar için LICENSE dosyasına bakın.

🙏 Teşekkürler

MLTrackFlow, makine öğrenimi topluluğunun ihtiyaçlarına cevap vermek ve eğitim süreçlerini daha şeffaf kılmak amacıyla geliştirilmiştir.

---

Hızlı Bağlantılar: GitHub • PyPI • Örnekler • Sorunlar

Yıldız vermeyi unutmayın! ⭐