experionml 0.0.0__tar.gz

experionml-0.0.0/LICENSE

@@ -0,0 +1,21 @@
+MIT License
+
+Copyright (c) 2025 Gerson
+
+Permission is hereby granted, free of charge, to any person obtaining a copy
+of this software and associated documentation files (the "Software"), to deal
+in the Software without restriction, including without limitation the rights
+to use, copy, modify, merge, publish, distribute, sublicense, and/or sell
+copies of the Software, and to permit persons to whom the Software is
+furnished to do so, subject to the following conditions:
+
+The above copyright notice and this permission notice shall be included in all
+copies or substantial portions of the Software.
+
+THE SOFTWARE IS PROVIDED "AS IS", WITHOUT WARRANTY OF ANY KIND, EXPRESS OR
+IMPLIED, INCLUDING BUT NOT LIMITED TO THE WARRANTIES OF MERCHANTABILITY,
+FITNESS FOR A PARTICULAR PURPOSE AND NONINFRINGEMENT. IN NO EVENT SHALL THE
+AUTHORS OR COPYRIGHT HOLDERS BE LIABLE FOR ANY CLAIM, DAMAGES OR OTHER
+LIABILITY, WHETHER IN AN ACTION OF CONTRACT, TORT OR OTHERWISE, ARISING FROM,
+OUT OF OR IN CONNECTION WITH THE SOFTWARE OR THE USE OR OTHER DEALINGS IN THE
+SOFTWARE.

experionml-0.0.0/PKG-INFO

@@ -0,0 +1,128 @@
+Metadata-Version: 2.4
+Name: experionml
+Version: 0.0.0
+Summary: A Python package for fast exploration of machine learning pipelines
+Author-email: gersonrs <gersonrodriguessantos8@gmail.com>
+License: MIT License
+        
+        Copyright (c) 2025 Gerson
+        
+        Permission is hereby granted, free of charge, to any person obtaining a copy
+        of this software and associated documentation files (the "Software"), to deal
+        in the Software without restriction, including without limitation the rights
+        to use, copy, modify, merge, publish, distribute, sublicense, and/or sell
+        copies of the Software, and to permit persons to whom the Software is
+        furnished to do so, subject to the following conditions:
+        
+        The above copyright notice and this permission notice shall be included in all
+        copies or substantial portions of the Software.
+        
+        THE SOFTWARE IS PROVIDED "AS IS", WITHOUT WARRANTY OF ANY KIND, EXPRESS OR
+        IMPLIED, INCLUDING BUT NOT LIMITED TO THE WARRANTIES OF MERCHANTABILITY,
+        FITNESS FOR A PARTICULAR PURPOSE AND NONINFRINGEMENT. IN NO EVENT SHALL THE
+        AUTHORS OR COPYRIGHT HOLDERS BE LIABLE FOR ANY CLAIM, DAMAGES OR OTHER
+        LIABILITY, WHETHER IN AN ACTION OF CONTRACT, TORT OR OTHERWISE, ARISING FROM,
+        OUT OF OR IN CONNECTION WITH THE SOFTWARE OR THE USE OR OTHER DEALINGS IN THE
+        SOFTWARE.
+        
+Project-URL: Repository, https://github.com/gersonrs/ExperionML
+Project-URL: Bug Tracker, https://github.com/gersonrs/ExperionML/issues
+Keywords: Python package,Machine Learning,Modeling,Data Pipeline
+Classifier: Programming Language :: Python :: 3.10
+Classifier: Programming Language :: Python :: 3.11
+Classifier: Programming Language :: Python :: 3.12
+Classifier: Topic :: Scientific/Engineering :: Artificial Intelligence
+Classifier: Topic :: Scientific/Engineering :: Information Analysis
+Classifier: License :: OSI Approved :: MIT License
+Classifier: Operating System :: OS Independent
+Requires-Python: <3.13,>=3.10
+Description-Content-Type: text/markdown
+License-File: LICENSE
+Requires-Dist: beartype>=0.18.5
+Requires-Dist: category-encoders>=2.6.3
+Requires-Dist: dill>=0.3.6
+Requires-Dist: featuretools>=1.28.0
+Requires-Dist: gplearn>=0.4.2
+Requires-Dist: imbalanced-learn>=0.12.3
+Requires-Dist: ipython>=8.9.0
+Requires-Dist: ipywidgets>=8.1.1
+Requires-Dist: joblib>=1.3.1
+Requires-Dist: matplotlib>=3.7.2
+Requires-Dist: mlflow>=2.10.2
+Requires-Dist: nltk>=3.8.1
+Requires-Dist: numpy>=1.23.0
+Requires-Dist: optuna>=3.6.0
+Requires-Dist: pandas>=2.2.2
+Requires-Dist: plotly>=5.18.0
+Requires-Dist: scikit-learn>=1.5.0
+Requires-Dist: scipy>=1.10.1
+Requires-Dist: shap>=0.43.0
+Requires-Dist: sktime[forecasting]>=0.30.0
+Requires-Dist: statsmodels>=0.14.1
+Requires-Dist: zoofs>=0.1.25
+Provides-Extra: full
+Requires-Dist: botorch>=0.8.5; python_version < "3.12" and extra == "full"
+Requires-Dist: catboost>=1.2; extra == "full"
+Requires-Dist: dagshub>=0.3.8; extra == "full"
+Requires-Dist: dask[dataframe,distributed]>=2024.2.0; extra == "full"
+Requires-Dist: explainerdashboard>=0.4.3; extra == "full"
+Requires-Dist: gradio>=3.44.4; extra == "full"
+Requires-Dist: lightgbm>=4.1.0; extra == "full"
+Requires-Dist: modin[ray]>=0.25.0; python_version < "3.12" and extra == "full"
+Requires-Dist: optuna-integration>=3.6.0; extra == "full"
+Requires-Dist: polars>=0.20.7; extra == "full"
+Requires-Dist: pyarrow>=15.0.0; extra == "full"
+Requires-Dist: pyspark>=3.5.0; extra == "full"
+Requires-Dist: ray[serve]>=2.9.1; python_version < "3.12" and extra == "full"
+Requires-Dist: requests>=2.31.0; extra == "full"
+Requires-Dist: scikit-learn-intelex>=2023.2.1; (platform_system != "Darwin" and (platform_machine == "x86_64" or platform_machine == "AMD64")) and extra == "full"
+Requires-Dist: schemdraw>=0.16; extra == "full"
+Requires-Dist: statsforecast>=1.7.3; extra == "full"
+Requires-Dist: supersmoother>=0.4; extra == "full"
+Requires-Dist: sweetviz>=2.3.1; extra == "full"
+Requires-Dist: wordcloud>=1.9.2; extra == "full"
+Requires-Dist: xgboost>=2.0.0; extra == "full"
+Dynamic: license-file
+
+# ExperionML
+
+## 💡 **Introdução**
+
+Durante a fase de exploração de um projeto de aprendizado de máquina, o cientista de dados precisa identificar o pipeline mais adequado para o seu problema específico. Esse processo normalmente envolve diversas etapas, como limpeza de dados, criação ou seleção de atributos relevantes, teste de diferentes algoritmos e avaliação de múltiplas configurações de modelos.
+
+Explorar várias combinações de pipelines costuma exigir muitas linhas de código. Quando todo esse processo é realizado em um único notebook, o código rapidamente se torna longo, difícil de manter e pouco organizado. Por outro lado, dividir os experimentos em múltiplos notebooks pode dificultar a comparação entre resultados e a visão geral do progresso do projeto. Além disso, refatorar código para cada novo experimento pode consumir um tempo significativo.
+
+Quantas vezes você já executou as mesmas etapas de pré-processamento para diferentes conjuntos de dados? Quantas vezes precisou copiar e colar código de repositórios antigos para reutilizar em novos projetos?
+
+**ExperionML** foi desenvolvido para resolver esses problemas comuns no fluxo de trabalho de machine learning. A biblioteca atua como uma camada de orquestração sobre todo o pipeline de modelagem, permitindo que cientistas de dados executem experimentos de forma rápida, organizada e reproduzível.
+
+Com o ExperionML, tarefas repetitivas são automatizadas e o foco passa a ser a experimentação e a análise de resultados. Em poucas linhas de código, é possível aplicar etapas essenciais de pré-processamento, selecionar atributos relevantes, treinar múltiplos modelos e comparar seus desempenhos em um mesmo conjunto de dados.
+
+Dessa forma, o ExperionML permite que o usuário avance rapidamente do **dado bruto para insights relevantes**, mantendo os experimentos estruturados e fáceis de analisar.
+
+---
+
+### Exemplo de etapas executadas no pipeline do ExperionML
+
+**1. Limpeza de dados**
+
+- Tratamento de valores ausentes
+- Codificação de variáveis categóricas
+- Detecção e remoção de outliers
+- Balanceamento do conjunto de treinamento
+
+**2. Engenharia de atributos**
+
+- Criação de atributos não lineares
+- Seleção das variáveis mais relevantes
+
+**3. Treinamento e validação de múltiplos modelos**
+
+- Ajuste de hiperparâmetros
+- Treinamento dos modelos no conjunto de treino
+- Avaliação no conjunto de teste
+
+**4. Análise dos resultados**
+
+- Cálculo de métricas de desempenho
+- Visualizações para comparação entre modelos

experionml-0.0.0/README.md

@@ -0,0 +1,42 @@
+# ExperionML
+
+## 💡 **Introdução**
+
+Durante a fase de exploração de um projeto de aprendizado de máquina, o cientista de dados precisa identificar o pipeline mais adequado para o seu problema específico. Esse processo normalmente envolve diversas etapas, como limpeza de dados, criação ou seleção de atributos relevantes, teste de diferentes algoritmos e avaliação de múltiplas configurações de modelos.
+
+Explorar várias combinações de pipelines costuma exigir muitas linhas de código. Quando todo esse processo é realizado em um único notebook, o código rapidamente se torna longo, difícil de manter e pouco organizado. Por outro lado, dividir os experimentos em múltiplos notebooks pode dificultar a comparação entre resultados e a visão geral do progresso do projeto. Além disso, refatorar código para cada novo experimento pode consumir um tempo significativo.
+
+Quantas vezes você já executou as mesmas etapas de pré-processamento para diferentes conjuntos de dados? Quantas vezes precisou copiar e colar código de repositórios antigos para reutilizar em novos projetos?
+
+**ExperionML** foi desenvolvido para resolver esses problemas comuns no fluxo de trabalho de machine learning. A biblioteca atua como uma camada de orquestração sobre todo o pipeline de modelagem, permitindo que cientistas de dados executem experimentos de forma rápida, organizada e reproduzível.
+
+Com o ExperionML, tarefas repetitivas são automatizadas e o foco passa a ser a experimentação e a análise de resultados. Em poucas linhas de código, é possível aplicar etapas essenciais de pré-processamento, selecionar atributos relevantes, treinar múltiplos modelos e comparar seus desempenhos em um mesmo conjunto de dados.
+
+Dessa forma, o ExperionML permite que o usuário avance rapidamente do **dado bruto para insights relevantes**, mantendo os experimentos estruturados e fáceis de analisar.
+
+---
+
+### Exemplo de etapas executadas no pipeline do ExperionML
+
+**1. Limpeza de dados**
+
+- Tratamento de valores ausentes
+- Codificação de variáveis categóricas
+- Detecção e remoção de outliers
+- Balanceamento do conjunto de treinamento
+
+**2. Engenharia de atributos**
+
+- Criação de atributos não lineares
+- Seleção das variáveis mais relevantes
+
+**3. Treinamento e validação de múltiplos modelos**
+
+- Ajuste de hiperparâmetros
+- Treinamento dos modelos no conjunto de treino
+- Avaliação no conjunto de teste
+
+**4. Análise dos resultados**
+
+- Cálculo de métricas de desempenho
+- Visualizações para comparação entre modelos

experionml-0.0.0/experionml/__init__.py

@@ -0,0 +1,9 @@
+
+import sklearn
+
+from experionml._show_versions import show_versions
+from experionml.api import ExperionMLClassifier, ExperionMLForecaster, ExperionMLModel, ExperionMLRegressor
+from experionml.utils.constants import __version__
+
+
+sklearn.set_config(transform_output="pandas", enable_metadata_routing=True)

experionml-0.0.0/experionml/_show_versions.py

@@ -0,0 +1,123 @@
+__all__ = ["show_versions"]
+
+
+import importlib
+import platform
+import sys
+
+
+# Dependências cujas versões serão exibidas
+DEFAULT_DEPS = [
+    "pip",
+    "experionml",
+    "beartype",
+    "category_encoders",
+    "dill",
+    "featuretools",
+    "gplearn",
+    "imblearn",
+    "ipywidgets",
+    "joblib",
+    "matplotlib",
+    "mlflow",
+    "modin",
+    "nltk",
+    "numpy",
+    "optuna",
+    "pandas",
+    "plotly",
+    "sklearn",
+    "scipy",
+    "shap",
+    "sktime",
+    "statsmodels",
+    "zoofs",  # Has no __version__ attribute
+    "botorch",
+    "catboost",
+    "dagshub",
+    "dask",
+    "explainerdashboard",
+    "gradio",
+    "lightgbm",
+    "modin",
+    "polars",
+    "pyarrow",
+    "pyspark",
+    "ray",
+    "requests",
+    "sklearnex",  # Has no __version__ attribute
+    "schemdraw",
+    "statsforecast",
+    "sweetviz",
+    "wordcloud",
+    "xgboost",
+]
+
+
+def _get_sys_info():
+    """Obtém informações do sistema e da versão do Python.
+
+    Returns
+    -------
+    dict
+        Informações coletadas.
+
+    """
+    return {
+        "python": sys.version.replace("\n", " "),
+        "executable": sys.executable,
+        "machine": platform.platform(),
+    }
+
+
+def _get_deps_info(deps: list[str]) -> dict[str, str | None]:
+    """Retorna uma visão geral das versões instaladas das dependências principais.
+
+    Parameters
+    ----------
+    deps: list of str
+        Dependências das quais obter a versão.
+
+    Returns
+    -------
+    dict
+        Informações de versão das bibliotecas em `deps`, onde as chaves
+        são os nomes de importação e os valores são strings de versão
+        PEP 440 conforme disponíveis no ambiente Python atual.
+
+    """
+    deps_info = {}
+    for modname in deps:
+        try:
+            if modname in sys.modules:
+                mod = sys.modules[modname]
+            else:
+                mod = importlib.import_module(modname)
+            deps_info[modname] = mod.__version__
+        except (ImportError, AttributeError):  # noqa: PERF203
+            deps_info[modname] = None
+
+    return deps_info
+
+
+def show_versions():
+    """Exibe informações do sistema e dos pacotes.
+
+    As seguintes informações são exibidas:
+
+    - Versão do Python do ambiente.
+    - Localização do executável do Python.
+    - Versão do sistema operacional.
+    - Nome de importação e versão das dependências Python selecionadas.
+
+    """
+    sys_info = _get_sys_info()
+    deps_info = _get_deps_info(deps=DEFAULT_DEPS)
+
+    print("\nSistema:")  # noqa: T201
+    for k, stat in sys_info.items():
+        print(f"{k:>10}: {stat}")  # noqa: T201
+
+    print("\nDependências Python:")  # noqa: T201
+    for k, stat in deps_info.items():
+        print(f"{k:>13}: {stat}")  # noqa: T201