lml-algorithms

Librería de algoritmos de Machine Learning y extractores de características usada por LearningML.

Qué incluye

• Algoritmos de clasificación:
  • LMLSequential (red neuronal feed-forward con TensorFlow.js)
  • KNN
  • NaiveBayes gaussiano
• Extracción de características:
  • Numérica (numericalEncoder)
  • Texto tipo Bag of Words (bowEncoder)
  • Audio (audioEncoder)
  • Imagen con MobileNet (getMobilenetEncoder)
• Utilidades para preparación de datos, validación y matriz de confusión.

Instalación

Este repositorio usa JavaScript + TensorFlow.js y está preparado para ejecutarse con bun o npm.

bun install

Alternativa:

npm install

API principal

Exportada desde src/index.js:

• Encoders: getMobilenetEncoder, numericalEncoder, bowEncoder, audioEncoder
• Audio helpers: collectExample, playRawAudio
• Algoritmos: LMLSequential, KNN, NaiveBayes, LMLModelFactory
• Utilidades: confusionMatrix, transformObjectToMapWithTensors, combineMapsOfTensors, extendArraysInObject

Tests

La estrategia de tests está definida en AGENTS.md y se implementa con Vitest.

Política de ejecución recomendada

• npm test (vitest run) es la ejecución de referencia en CI.
• bun test está soportado para desarrollo local rápido.
• El test de contrato de mobilenet se marca como skip en el runner nativo de Bun porque su sistema de mocks no aísla módulos de tfjs-core igual que Vitest; ese contrato sí se valida en npm test.

Ejecutar todos los tests

bun test

Ejecutar solo unitarios

bun run test:unit

Ejecutar solo integración

bun run test:integration

Modo watch

bun run test:watch

Con npm

npm test
npm run test:unit
npm run test:integration

Estructura de tests

• tests/unit: utilidades, encoders, factoría de modelos y tests de contrato con mocks para dependencias de navegador/modelos externos.
• tests/integration: flujos completos de entrenamiento, clasificación y persistencia (localStorage) para los algoritmos.
• tests/setup/vitest.setup.js: inicialización de backend de TensorFlow para tests.

Licencia

GPL-3.0-or-later.