#anomaly-detection Repositorios
Descubre 76 repositorios activos de código abierto de GitHub etiquetados con #anomaly-detection, que acumulan 256,252 estrellas en total (una media de 3,371 estrellas por proyecto). El líder de este tema es netdata/netdata, con 81,572 estrellas.
76 repositorios en total
Observabilidad de stack completo · Métricas · Registros · Trazas · Flujos · Topología · Infraestructura · APM · NPM · DBM · RUM · Pruebas sintéticas · Nube · SRE con IA · OpenTelemetry · SNMP · NetFlow/IPFIX/sFlow · IPMI · Redfish · Más de 2000 integraciones
La biblioteca de código abierto de Cleanlab es el paquete estándar de IA centrado en datos para la calidad de datos y el aprendizaje automático con datos y etiquetas desordenados del mundo real.
Una biblioteca de Python para la detección de anomalías en datos tabulares, series temporales, grafos, texto, imágenes y audio. Incluye más de 60 detectores, orquestación ADEngine respaldada por benchmarks y un flujo de trabajo agente para agentes de IA.
Plataforma AutoML de código abierto y bajo código para Python. PyCaret 4.0: motor nativo de sklearn + plano de control React.
Una biblioteca de Python para pronósticos y detección de anomalías amigables para el usuario en series temporales.
Libros, artículos, vídeos y cajas de herramientas relacionados con la detección de anomalías. ¡Última actualización a finales de 2025 para trabajos sobre LLM y VLM!
Kats, un kit para analizar datos de series temporales, un marco ligero, fácil de usar, generalizable y extensible para realizar análisis de series temporales, desde la comprensión de las estadísticas y características clave, la detección de puntos de inflexión y anomalías, hasta la predicción de tendencias futuras.
Una biblioteca de detección de anomalías que comprende algoritmos y funciones de última generación, como gestión de experimentos, optimización de hiperparámetros e inferencia en el borde.
Merlion: Un marco de aprendizaje automático para la inteligencia de series temporales
STUMPY es una biblioteca de Python potente y escalable para el análisis de series temporales modernas
TimeGPT-2.1: modelo fundacional de series temporales preentrenado y listo para producción para la predicción y la detección de anomalías. Un transformador generativo preentrenado para series temporales, entrenado con más de 100.000 millones de puntos de datos. Es capaz de realizar predicciones precisas en diversos ámbitos, como el comercio minorista, la electricidad, las finanzas y el IoT, con solo unas pocas líneas de código 🚀.
Lista de artículos y conjuntos de datos para la detección de anomalías/defectos en imágenes industriales (en actualización). Biblioteca de recuperación de artículos y conjuntos de datos sobre detección de anomalías/defectos industriales (actualización continua).
Lista de herramientas y conjuntos de datos para la detección de anomalías en datos de series temporales.
Una gran colección de conjuntos de datos de registros del sistema para análisis de registros impulsado por IA [ISSRE'23]
Tutoriales de Jupyter Notebook para resolver problemas del mundo real con Machine Learning & Deep Learning usando PyTorch. Temas: Detección de rostros con Detectron 2, Detección de anomalías en series temporales con LSTM Autoencoders, Detección de objetos con YOLO v5, Construye tu primera Neural Network, Pronóstico de series temporales para casos diarios de Coronavirus, Análisis de sentimientos con BER
Biblioteca de PyTorch de aprendizaje profundo para pronóstico de series temporales, clasificación y detección de anomalías (originalmente para pronóstico de inundaciones).
Una biblioteca de aprendizaje automático profundo y de alto nivel para el lenguaje PHP.
Una biblioteca/herramienta de Python para aprendizaje automático/profundo y minería de datos centrado en la realidad en series temporales parcialmente observadas, con más de 50 modelos de redes neuronales SOTA para tareas de análisis científico (imputación, clasificación, agrupación, pronóstico, detección de anomalías, limpieza) en TS multivariadas industriales incompletas muestreadas irregularmente con valores faltantes NaN
Un kit de herramientas de aprendizaje automático para el análisis de registros [ICSE'19, DSN'16]
Una lista curada de artículos y recursos sobre detección de fraudes, anomalías y valores atípicos basada en grafos/transformadores
Resumen de materiales de aprendizaje de AIOps, bienvenido a completarlo juntos, bienvenido a star
Una biblioteca de Python para la detección de valores atípicos en grafos (detección de anomalías)
Un kit de herramientas de aprendizaje automático para detección de anomalías basada en registros [ISSRE'16]
Un kit de herramientas de Python para la detección de anomalías basada en reglas/no supervisada en series temporales
Un marco para usar LSTMs para detectar anomalías en datos de series temporales multivariantes. Incluye datos de anomalías de naves espaciales y experimentos de las misiones Mars Science Laboratory y SMAP.
Una lista increíble de los últimos artículos y códigos de series temporales de los principales lugares de IA.
ElastAlert 2 es una continuación del proyecto original yelp/elastalert. ¡Las Pull requests son bienvenidas!
Resumen de trabajos de series temporales en conferencias de CS de primer nivel (NIPS, ICML, ICLR, KDD, AAAI, WWW, IJCAI, CIKM, ICDM, ICDE, etc.)
Recursos de detección fuera de distribución, robustez y generalización. El repositorio contiene una lista curada de artículos, tutoriales, libros, videos, artículos y bibliotecas de código abierto, etc.
Identificación de pedidos anómalos: modelo de clasificación de pedidos fraudulentos (Random Forest / Árbol de Decisión / SVM)
Una encuesta y una lista de artículos sobre modelos de difusión actuales para datos de series temporales y espacio-temporales con recursos impresionantes (artículos, aplicaciones, revisiones, encuestas, etc.).
Sobre la versión del código para "TimesNet: Temporal 2D-Variation Modeling for General Time Series Analysis" (ICLR 2023), https://openreview.net/pdf?id=ju_Uqw384Oq
MOMENT: Una familia de modelos fundamentales abiertos para series temporales, ICML'24
Una colección de métodos de detección de anomalías (iid/basados en puntos, grafo y series temporales) que incluye aprendizaje activo para detección/descubrimiento de anomalías, minería de reglas bayesianas, descripción para diversidad/explicación/interpretabilidad. Análisis de la incorporación de retroalimentación de etiquetas con detectores basados en ensemble y árboles. Incluye ataques adversarios con Graph Convolutional Network.
Implementación oficial de "Segmentar cualquier anomalía sin entrenamiento a través de la regularización de indicaciones híbridas (SAA+)".
LogAI - Una biblioteca de código abierto para análisis e inteligencia de registros
Luminaire es un paquete de Python que proporciona soluciones impulsadas por ML para monitorear datos de series temporales.
Preguntas frecuentes
¿Cuál es el repositorio de #anomaly-detection más popular en GitHub?
El proyecto de código abierto de #anomaly-detection mejor posicionado en GitHub es netdata/netdata, con 81,572 estrellas. Observabilidad de stack completo · Métricas · Registros · Trazas · Flujos · Topología · Infraestructura · APM · NPM · DBM · RUM · Pruebas sintéticas · Nube · SRE con IA · OpenTelemetry · SNMP · NetFlow/IPFIX/sFlow · IPMI · Redfish · Más de 2000 integraciones
¿Qué lenguajes de programación se utilizan más en los repositorios de #anomaly-detection?
Entre los proyectos de #anomaly-detection mejor posicionados en GitHub, los lenguajes de programación más comunes son Python, Jupyter Notebook, PHP, Go.
¿Cómo se calcula la clasificación de los repositorios de #anomaly-detection?
Seguimos 76 repositorios activos de código abierto etiquetados con #anomaly-detection (500+ estrellas), que suman un total de 256,252 estrellas, con una media de 3,371 estrellas por repositorio. Las clasificaciones se actualizan diariamente a partir de la API de GitHub.