Un sprint es un evento donde un conjunto de personas se juntan para contribuir a un proyecto de software. En general, se lleva a cabo a lo largo de un día, en un período de 6 a 8 horas. El objetivo de la actividad depende del perfil de personas al que está dirigido. Si el sprint está dirigido a personas que están comenzando a contribuir a proyectos de código libre, el objetivo es introducirlos en los distintos pasos que deben seguir para comenzar a colaborar en un proyecto. Si el sprint está dirigido a desarrolladores experimentados en el proyecto particular, el objetivo es concentrar sus energías en la solución de una serie de errores o la implementación de nuevas funcionalidades. En este caso, llevaremos a cabo un sprint para personas que están dando sus primeros pasos en el mundo del código abierto.
En el sprint cada persona puede trabajar de forma individual en las partes del proyecto que considere interesante. Pero, cabe destacar que, uno de los aspectos principales de los sprints es su carácter colaborativo. Así, se alienta a los participantes a reunirse de a pares para trabajar. Ésto hace más amena la experiencia del sprint, fomenta la colaboración y permite ampliar la red de contactos de los participantes. Esta forma de trabajar se conoce con el nombre de programación de a pares ("pair programming"). Un enfoque comúnmente utilizado de programación de a pares es la técnica de conductor-navegador, donde el conductor escribe el código, mientras el navegador observa, verifica o sugiere cambios. A lo largo de la jornada, las personas pueden intercambiar roles a medida que lo sientan necesario. En general, es conveniente que la persona más experimentada sea la que tome el rol de navegadora, mientras la persona que está dando sus primeros pasos sea la que maneja el teclado y mouse (conductora). Esto garantiza que ninguno de los miembros del equipo se pierda durante el desarrollo.
El sprint se basará en el proyecto de código abierto scikit-learn. Scikit-learn es una librería de aprendizaje automático de código abierto que permite aplicar métodos del aprendizaje supervisado y no supervisado. También proporciona varias herramientas para el ajuste de modelos, preprocesamiento de datos, selección de modelos, evaluación de modelos y muchas otras utilidades.
El sprint contará con la presencia (física y virtual) de desarrolladores del proyecto y miembros de la comunidad Data Umbrella que brindarán soporte durante el evento, contestando preguntas, ayudando con problemas y revisando los "Pull Requests". Los desarrolladores, previo al sprint, filtrarán "Issues" aptos para personas que están empezando a contribuir. Además, se contará con mentores que no necesariamente son experimentados en el código fuente de scikit-learn, pero que con sus conocimientos pueden ayudar a resolver problemas con Git u otras herramientas generales como pre-commit, black o pytest. De esta forma, los sprint suelen ser sumamente beneficiosos para los participantes, ya que se reduce sustancialmente el tiempo que uno se encuentra "trabado" con algo (comparado con intentar empezar a colaborar individualmente, sin ayuda).
Los requisitos para aprovechar el sprint son:
- Tener cuenta de GitHub.
- Conocimientos de Python.
- Tener algo de experiencia utilizando scikit-learn.
- Algo de familiaridad con Git.
En caso de ser la primera vez que se contribuye a un proyecto de código libre o si se quiere refrescar algunos conocimientos, recomendamos seguir los siguientes pasos:
- Crear cuenta de GitHub.
- Instalar Python. Para configurar el ambiente de desarrollo utilizaremos
conda, por lo que recomendamos utilizar miniconda. - Instalar Git.
- Instalar editor de texto (Visual Studio Code, Sublime Text, Atom, PyCharm, o el editor de preferencia).
- Mirar el video "Scikit-learn sprint instructions" (30 minutos). Transcripción del video en español. Notar que las instrucciones de instalación han quedado desactualizadas. Para instalar todo lo necesario para contribuir, seguir esta guía (en ingles).
- Mirar el video "Contributing to scikit-learn: An Example Pull Request (Reshama Shaikh)" (30 minutos). Transcripción del video en español.
- Mirar el video "Sprint Instructions for scikit-learn Vol 2" (14 minutos). Transcripción del video en español.
- Mirar el video "Mariatta Wijaya - Introduction to Sphinx Docs and reStructuredText" (15 minutos).
- [OPCIONAL] Mirar el video "Sphinx for Python Documentation Tutorial (Melissa Weber)".
- Leer el tutorial "Step-by-step guide to contributing on GitHub".
Pasos para clonar el repositorio:
- Hacer un fork del proyecto con su usuario.
- Clonar el proyecto con
git clone [email protected]:USER/scikit-learn.git. - Dirigirse a la carpeta con
cd scikit-learn. - Agregar el repositorio original como repositorio remoto con
git remote add upstream https://github.com/scikit-learn/scikit-learn.git.
En la documentación de scikit-learn se encuentran los pasos para configurar el ambiente de desarrollo para distintos sistemas operativos (CONTRIBUTING, compilando el código de scikit-learn y paquetes necesarios para compilar la documentación).
En caso de utilizar Linux y conda, se pueden seguir los siguiente pasos para configurar el ambiente de desarrollo:
cd scikit-learn
conda create -n sklearn-dev -c conda-forge python=3.9 numpy scipy matplotlib pytest cython ipykernel jupyter pytest-cov flake8 mypy
conda activate sklearn-dev
pip install black==22.3.0 pre-commit
pip install --no-build-isolation --editable .
pre-commit install
# Para poder compilar la documentación.
pip install sphinx sphinx-gallery numpydoc Pillow pandas scikit-image packaging seaborn sphinx-prompt sphinxext-opengraphSi se modifican archivos Cython (archivos que terminan en .pyx o .pxd), se tiene que re-compilar:
pip install --no-build-isolation -e .Para correr test en un archivo particular que hayamos modificado usamos:
pytest --verbose ./<path_to_test_folder>/test_file.py
Comandos normalmente utilizados para hacer un Pull Request:
# Partimos de nuestra rama "main"
git checkout main
# En caso de que nuestro fork no esté actualizado con lo último del repositorio hacemos:
git fetch upstream
git merge upstream main
# Creamos una rama para hacer todos los cambios
git checkout -b my_feature
# Hacemos los cambios para el Pull Request
git add modified_files
# En caso de que no quiera correr el pre-hook usar
# git commit --no-verify -m "Message"
git commit -m "Message"
# Para agregar co-autores a un commit, tenemos que usar
git commit -m "Message
>
>
Co-authored-by: name <[email protected]>
Co-authored-by: another-name <[email protected]>"
# Controlar que no hayan cambios del upstream que tengamos que rebasear
# Puede ocurrir que mientras estamos trabajando, nuevos commits entren al repositorio.
# En ese caso, tenemos que hacer un `rebase` para traer los nuevos cambios
# y llevar nuestros commits al final de la historia.
# Primero actualizamos los objetos y referencias del repositorio remoto
git fetch upstream
# En caso de tener miedo de que al realizar la operación, se borre nuestro trabajo
# podemos crear una rama temporal
# git branch tmp my_feature
git rebase upstream/main # esto puede fallar, en ese caso hacemos lo siguiente
# git rebase --abort
# git reset --hard tmp
# Finalmente, subimos los cambios a nuestro fork
git push origin my_feature
# Si todo salio bien, se puede eliminar el branch temporal
# git branch -D tmp
# Una vez que el pull request es mergeado se puede borrar el branch
git branch -d my_featureSe recomienda seguir los siguientes pasos para realizar el Pull Request:
- Asignar un título útil al PR que resuma lo que hace su contribución. Algo como “Fix ” está bien. Pero
“Fix #”no es claro. - Asegurarse que el código pase los tests.
- Asegurarse que el código esté correctamente comentado y documentado.
- Controlar que la documentación generada se visualice correctamente. Para ello es necesario compilar la documentación.
- Asegurarse que todos los controles realizados por
pre-commithayan pasado. - Ser paciente con los revisores del PR. La mayoría colabora con el proyecto en sus tiempos libres.
Los desarrolladores de scikit-learn han armado una lista de Issues para trabajar durante el sprint. La misma contiene Issues de distinta dificultad y en su mayoría pueden ser resueltos en el tiempo del sprint.
- ¿Necesito llevar una notebook para participar?
En caso de disponer de notebook y poder llevarla, es recomendable hacerlo. Pero, como la idea es trabajar en equipo, aquellos que no puedan llevar una pueden hacer equipo con personas que si la hayan llevado.
- ¿Es necesario tener conocimientos de Aprendizaje Automático (Machine Learning en inglés) para participar del sprint?
No, no es necesario. Se puede colaborar en aspectos generales del proyecto que no requieran de este conocimiento.
- ¿Tengo que tener algún issue seleccionado en el que trabajar antes del sprint?
En caso de ya tener un issue visto se puede trabajar en eso durante el sprint. De otra forma, se puede elegir alguno de los separados por los desarrolladores para el sprint.
- ¿Que lenguaje de programación se va a utilizar?
Python, dado que scikit-learn se encuentra principalmente desarrollado en este lenguaje.
- ¿Que nivel de programación necesito?
Con un conocimiento básico de programación es suficiente. Durante el sprint se puede trabajar en diferentes aspectos del proyecto: código, documentación, sitio web, etc.
En caso de querer continuar participando de eventos organizados por el proyecto una vez terminado el Sprint, pueden seguir el calendario de scikit-learn.
Data Umbrella es una comunidad global para personas poco representadas en ciencia de datos. Se encarga de organizar charlas en línea con expertos en ciencia de datos y bibliotecas de código abierto. Organizan sprints/hackathons de código abierto. Además, seleccionan recursos sobre ciencia de datos y prácticas inclusivas para la comunidad. Todos los niveles son bienvenidos, principiantes y expertos.
Para más información sobre Data Umbrella, pueden acceder a los siguientes sitios:
- Scikit-learn Gitter (comunicación en inglés)
- Organizador local: Juan Martin Loyola