#anomaly-detection Repositories
Entdecke 76 aktive Open-Source-GitHub-Repositories, die mit #anomaly-detection getaggt sind und insgesamt 256,252 Sterne gesammelt haben (durchschnittlich 3,371 Sterne pro Projekt). Spitzenreiter in diesem Themenbereich ist netdata/netdata mit 81,572 Sternen.
Insgesamt 76 Repositories
Full-Stack-Observability · Metriken · Logs · Traces · Flows · Topologie · Infrastruktur · APM · NPM · DBM · RUM · Synthetisches Monitoring · Cloud · KI-SRE · OpenTelemetry · SNMP · NetFlow/IPFIX/sFlow · IPMI · Redfish · Über 2.000 Integrationen
Cleanlab's Open-Source-Bibliothek ist das Standard-Data-Centric-AI-Paket für Datenqualität und maschinelles Lernen mit unordentlichen, realen Daten und Labels.
Eine Python-Bibliothek zur Anomalieerkennung in tabellarischen Daten, Zeitreihen, Graphen, Texten, Bildern und Audiodaten. Enthält über 60 Detektoren, eine benchmark-gestützte ADEngine-Orchestrierung und einen agentenbasierten Workflow für KI-Agenten.
Open-Source, Low-Code-AutoML-Plattform für Python. PyCaret 4.0: sklearn-nativer Engine + React-Steuerungsebene.
Eine Python-Bibliothek für benutzerfreundliche Prognosen und Anomalieerkennung in Zeitreihen.
Bücher, Papiere, Videos und Werkzeugkästen zur Anomalieerkennung. Letztes Update Ende 2025 für LLM- und VLM-Arbeiten!
Kats, ein Paket zur Analyse von Zeitreihendaten, ein leichtgewichtiges, einfach zu bedienendes, verallgemeinerbares und erweiterbares Framework zur Durchführung von Zeitreihenanalysen, vom Verständnis der wichtigsten Statistiken und Merkmale über die Erkennung von Wechselpunkten und Anomalien bis hin zur Vorhersage zukünftiger Trends.
Eine Anomalieerkennungsbibliothek, die hochmoderne Algorithmen und Funktionen wie Experimentmanagement, Hyperparameteroptimierung und Edge-Inferenz umfasst.
STUMPY ist eine leistungsstarke und skalierbare Python-Bibliothek für die moderne Zeitreihenanalyse
TimeGPT-2.1: Produktionsreifes, vortrainiertes Foundation-Modell für Zeitreihen zur Prognose und Anomalieerkennung. Ein generativer, vortrainierter Transformer für Zeitreihen, der mit über 100 Milliarden Datenpunkten trainiert wurde. Mit nur wenigen Codezeilen kann es präzise Vorhersagen in verschiedenen Bereichen wie Einzelhandel, Stromversorgung, Finanzen und IoT treffen 🚀.
Liste der Arbeiten und Datensätze zur industriellen Bildanomalie-/Defekterkennung (wird aktualisiert). Retrieval-Bibliothek für Arbeiten und Datensätze zur Erkennung industrieller Anomalien/Defekte (wird kontinuierlich aktualisiert).
Liste von Tools & Datasets für die Anomalieerkennung in Zeitreihendaten.
Eine große Sammlung von Systemprotokoll-Datensätzen für KI-gestützte Log-Analyse [ISSRE'23]
Jupyter Notebook-Tutorials zum Lösen realer Probleme mit Machine Learning & Deep Learning unter Verwendung von PyTorch. Themen: Gesichtserkennung mit Detectron 2, Anomalieerkennung in Zeitreihen mit LSTM Autoencoders, Objekterkennung mit YOLO v5, Erstellen Ihres ersten Neural Network, Zeitreihenprognose für tägliche Coronavirus-Fälle, Sentiment Analysis mit BER
Die Sammlung von vortrainierten, hochmodernen KI-Modellen für das ailia SDK
Deep-Learning-PyTorch-Bibliothek für Zeitreihenprognose, Klassifikation und Anomalieerkennung (ursprünglich für Flutvorhersage).
Eine High-Level-Bibliothek für maschinelles Lernen und Deep Learning für die PHP-Sprache.
Ein Python-Toolkit/Bibliothek für realitätszentriertes maschinelles/tiefes Lernen & Data Mining bei teilweise beobachteten Zeitreihen, mit über 50 SOTA-Neuronalen Netzwerken für wissenschaftliche Analysenaufgaben (Imputation, Klassifikation, Clustering, Prognose, Anomalieerkennung, Reinigung) an unvollständigen industriellen unregelmäßig gesampelten multivariaten TS mit NaN fehlenden Werten
Eine kuratierte Liste von Papieren und Ressourcen zur Erkennung von Betrug, Anomalien und Ausreißern auf Graph-/Transformer-Basis
Zusammenfassung von AIOps-Lernmaterialien, gerne zusammen ergänzen, Star willkommen
Eine Python-Bibliothek für die Erkennung von Graphenausreißern (Anomalieerkennung)
Ein Framework zur Verwendung von LSTMs zur Erkennung von Anomalien in multivariaten Zeitreihendaten. Enthält Anomaliedaten von Raumfahrzeugen und Experimente aus den Missionen Mars Science Laboratory und SMAP.
Eine großartige Liste der neuesten Zeitreihenarbeiten und Codes von Top-KI-Veranstaltungsorten.
ElastAlert 2 ist eine Fortsetzung des ursprünglichen yelp/elastalert-Projekts. Pull Requests werden geschätzt!
Zeitserien-Arbeitszusammenfassung in CS-Top-Konferenzen (NIPS, ICML, ICLR, KDD, AAAI, WWW, IJCAI, CIKM, ICDM, ICDE, etc.)
Ressourcen zur Erkennung von Verteilungsabweichungen, Robustheit und Generalisierung. Das Repository enthält eine kuratierte Liste von Arbeiten, Tutorials, Büchern, Videos, Artikeln und Open-Source-Bibliotheken usw.
Offizielle Implementierung von „ADBench: Anomaly Detection Benchmark“, NeurIPS 2022.
Erkennung anomaler Bestellungen: Modell zur Klassifizierung von Bestellbetrug (Random Forest / Entscheidungsbaum / SVM)
Eine Umfrage und eine Papierliste aktueller Diffusionsmodelle für Zeitreihen und raumzeitliche Daten mit großartigen Ressourcen (Artikel, Anwendung, Überprüfung, Umfrage usw.).
Über die Code-Veröffentlichung für „TimesNet: Temporal 2D-Variation Modeling for General Time Series Analysis“ (ICLR 2023), https://openreview.net/pdf?id=ju_Uqw384Oq
MOMENT: Eine Familie von Open Time-series Foundation Models, ICML'24
Eine Sammlung von Anomalie-Erkennungsmethoden (iid/punktbasiert, Graph und Zeitreihen), einschließlich Active Learning für Anomalie-Erkennung/Entdeckung, bayessches Regel-Mining, Beschreibung für Diversität/Erklärung/Interpretierbarkeit. Analyse der Integration von Label-Feedback mit Ensemble- und baumbasierten Detektoren. Beinhaltet adversariale Angriffe mit Graph Convolutional Network.
Offizielle Implementierung von „Segment Any Anomaly without Training via Hybrid Prompt Regularization (SAA+)".
Luminaire ist ein Python-Paket, das ML-gesteuerte Lösungen zur Überwachung von Zeitreihendaten bietet.
Häufig gestellte Fragen
Welches ist das beliebteste #anomaly-detection-Repository auf GitHub?
Das am höchsten eingestufte Open-Source-#anomaly-detection-Projekt auf GitHub ist netdata/netdata mit 81,572 Sternen. Full-Stack-Observability · Metriken · Logs · Traces · Flows · Topologie · Infrastruktur · APM · NPM · DBM · RUM · Synthetisches Monitoring · Cloud · KI-SRE · OpenTelemetry · SNMP · NetFlow/IPFIX/sFlow · IPMI · Redfish · Über 2.000 Integrationen
Welche Programmiersprachen werden in #anomaly-detection-Repositories am häufigsten verwendet?
Unter den am höchsten eingestuften #anomaly-detection-Projekten auf GitHub sind Python, Jupyter Notebook, PHP, Go die am häufigsten verwendeten Programmiersprachen.
Wie wird das Ranking der #anomaly-detection-Repositories berechnet?
Wir verfolgen 76 aktive Open-Source-Repositories, die mit #anomaly-detection getaggt sind (500+ Sterne), mit insgesamt 256,252 Sternen und durchschnittlich 3,371 Sternen pro Repository. Die Rankings werden täglich über die GitHub-API aktualisiert.