Metadata-Version: 2.4
Name: godml
Version: 0.1.4
Summary: Governed, Observable & Declarative Machine Learning Framework
Author: Arturo Gutierrez Rubio Rojas
License: MIT
Project-URL: Homepage, https://github.com/arturo/godml
Project-URL: Repository, https://github.com/arturo/godml
Project-URL: Issues, https://github.com/arturo/godml/issues
Keywords: machine-learning,mlops,governance,observability
Classifier: Development Status :: 3 - Alpha
Classifier: Intended Audience :: Developers
Classifier: License :: OSI Approved :: MIT License
Classifier: Programming Language :: Python :: 3
Classifier: Programming Language :: Python :: 3.8
Classifier: Programming Language :: Python :: 3.9
Classifier: Programming Language :: Python :: 3.10
Classifier: Programming Language :: Python :: 3.11
Requires-Python: >=3.8
Description-Content-Type: text/markdown
License-File: LICENSE_REPORT.md
Requires-Dist: typer[all]==0.12.3
Requires-Dist: click==8.1.3
Requires-Dist: protobuf==3.20.3
Requires-Dist: urllib3==1.26.20
Requires-Dist: pandas==2.3.0
Requires-Dist: numpy>=1.24.0
Requires-Dist: scikit-learn==1.3.2
Requires-Dist: xgboost==3.0.2
Requires-Dist: lightgbm==4.6.0
Requires-Dist: tensorflow==2.15.1
Requires-Dist: mlflow==3.1.1
Requires-Dist: pydantic==2.11.7
Requires-Dist: pyyaml==6.0.2
Requires-Dist: rich==14.0.0
Requires-Dist: boto3==1.26.143
Requires-Dist: botocore==1.29.143
Requires-Dist: sagemaker==2.137.0
Dynamic: license-file

**Proyecto GODML - Machine Learning con Gobernanza**

[![GODML](https://img.shields.io/badge/Powered%20by-GODML-blue.svg)](https://pypi.org/project/godml/)
[![Python 3.8+](https://img.shields.io/badge/python-3.8+-blue.svg)](https://www.python.org/downloads/)
[![License: MIT](https://img.shields.io/badge/License-MIT-yellow.svg)](https://opensource.org/licenses/MIT)

> Proyecto de Machine Learning generado automáticamente con **GODML Framework** - Governed, Observable & Declarative ML

---

## ⚡ Quick Start

```bash
# Instalar dependencias
pip install -r requirements.txt

# Entrenar modelo
godml run -f godml.yml

# Ver experimentos en MLflow
mlflow ui
                
🎯 ¿Qué es este proyecto?
Este proyecto fue generado con GODML , un framework que unifica:

Gobernanza : Trazabilidad y metadatos automáticos

Observabilidad : Tracking completo con MLflow

Declarativo : Configuración simple en YAML

📁 Estructura del Proyecto
                
{project_name}/
├── godml.yml              # 🎯 Configuración principal del pipeline
├── data/                  # 📊 Datasets
│   └── your_dataset.csv   # ← Coloca aquí tus datos
├── outputs/               # 📈 Predicciones y resultados
│   └── predictions.csv    # Salida del modelo
├── models/                # 🤖 Modelos entrenados
│   ├── production/        # Modelos en producción
│   ├── staging/           # Modelos en testing
│   └── experiments/       # Modelos experimentales
├── mlruns/                # 📋 Experimentos MLflow (auto-generado)
├── requirements.txt       # 📦 Dependencias del proyecto
└── README.md             # 📖 Esta documentación


⚙️ Configuración del Pipeline
El archivo godml.yml contiene toda la configuración:

Dataset

dataset:
  uri: ./data/your_dataset.csv  # ← Cambia por tu archivo
  hash: auto                    # Hash automático para trazabilidad

Modelo

model:
  type: xgboost                 # Algoritmo a usar
  hyperparameters:              # Parámetros del modelo
    max_depth: 5
    eta: 0.3
    objective: binary:logistic

Métricas de Calidad

metrics:
- name: auc
  threshold: 0.85              # Umbral mínimo de calidad
- name: accuracy
  threshold: 0.80

Gobernanza

governance:
  owner: your-team@company.com  # ← Cambia por tu email
  tags:
  - project: {project_name}
  - environment: development    # development/staging/production

🔧 Modelos Disponibles
Algoritmo	Tipo	Comando
xgboost	Gradient Boosting	Por defecto
random_forest	Ensemble	Cambiar en model.type
lightgbm	Gradient Boosting	Cambiar en model.type

📊 Métricas Soportadas

auc - Area Under Curve

accuracy - Precisión

precision - Precisión por clase

recall - Recall por clase

f1 - F1 Score

🎯 Flujo de Trabajo

1. Preparar Datos

# Coloca tu dataset en data/
cp mi_dataset.csv data/your_dataset.csv

2. Configurar Pipeline

# Edita godml.yml según tus necesidades
vim godml.yml

3. Entrenar Modelo

# Ejecuta el pipeline completo
godml run -f godml.yml

4. Revisar Resultados

# Ver experimentos en MLflow
mlflow ui

# Ver predicciones
cat outputs/predictions.csv

🏛️ Gobernanza y Trazabilidad
GODML automáticamente registra:

✅ Hash del dataset para trazabilidad

✅ Metadatos del modelo (parámetros, métricas)

✅ Información de gobernanza (owner, tags)

✅ Timestamp y versión de cada experimento

✅ Linaje completo del pipeline

🚀 Próximos Pasos
Agregar tus datos: Coloca tu dataset en data/

Personalizar configuración: Edita godml.yml

Entrenar modelo: Ejecuta godml run -f godml.yml

Monitorear: Revisa resultados en MLflow UI

Iterar: Ajusta parámetros y vuelve a entrenar

📚 Recursos Útiles
📦 GODML en PyPI

📖 Documentación GODML

🎯 Configuración YAML

🏛️ Guía de Gobernanza

🤝 Soporte
¿Necesitas ayuda?

🐛 Reportar Issues

💬 Discusiones

📧 Contacto

📄 Licencia
Este proyecto está bajo la licencia MIT. Ver LICENSE para más detalles.

Generado con ❤️ por GODML Framework v0.1.2
Governed, Observable & Declarative Machine Learning
---

## 🚀 Cómo Empezar

```bash
# 1. Instala el CLI
pip install godml

# 2. Inicializa un proyecto
godml init my-churn-project

# 3. Declara tu pipeline
vim godml.yml

# 4. run
godml run -f godml.yml
