#forecasting Repositorios
Descubre 56 repositorios activos de código abierto de GitHub etiquetados con #forecasting, que acumulan 186,967 estrellas en total (una media de 3,338 estrellas por proyecto). El líder de este tema es meta/prophet, con 20,494 estrellas.
56 repositorios en total
Herramienta para producir pronósticos de alta calidad para datos de series temporales que tienen múltiples estacionalidades con crecimiento lineal o no lineal.
Scripts de deep learning de vanguardia organizados por modelos - fáciles de entrenar y desplegar con precisión y rendimiento reproducibles en infraestructura de grado empresarial.
Una biblioteca de Python para pronósticos y detección de anomalías amigables para el usuario en series temporales.
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.
El repositorio de GitHub para el artículo "Informer" aceptado por AAAI 2021.
Chronos: Modelos preentrenados para la previsión de series temporales
Series temporales Timeseries Deep Learning Machine Learning Python Pytorch fastai | Biblioteca de Deep Learning de vanguardia para Series Temporales y Secuencias en Pytorch / fastai
Merlion: Un marco de aprendizaje automático para la inteligencia de series temporales
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 🚀.
Una lista seleccionada profesionalmente de excelentes recursos (documentos, código, datos, etc.) sobre transformadores en series temporales.
[AAAI-23 Oral] Implementación oficial del artículo "¿Son efectivos los Transformers para la predicción de series temporales?"
Biblioteca de PyTorch de aprendizaje profundo para pronóstico de series temporales, clasificación y detección de anomalías (originalmente para pronóstico de inundaciones).
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 paquete de Python para pronósticos bayesianos con diseño orientado a objetos y modelos probabilísticos subyacentes.
Una biblioteca estadística diseñada para llenar el vacío en las capacidades de análisis de series temporales de Python, incluyendo el equivalente a la función auto.arima de R.
Entrenamiento unificado de transformadores universales para la predicción de series temporales
Lag-Llama: Hacia modelos fundacionales para la predicción probabilística de series temporales
Una lista profesional de artículos, tutoriales y encuestas sobre IA para series temporales en las principales conferencias y revistas de IA.
Biblioteca de Python para pronóstico de series temporales usando modelos compatibles con scikit-learn, métodos estadísticos y modelos fundamentales
Un kit de herramientas para aprendizaje automático y aprendizaje profundo de series temporales
Django Ledger es un sistema de contabilidad de doble entrada y motor de análisis financiero construido sobre el Django Web Framework.
Aprendizaje automático de series temporales a escala. Construido con Polars para la extracción de características fácilmente paralelizable y predicciones sobre datos de panel.
Una lista profesional sobre Modelos Grandes (de Lenguaje) y Modelos Fundacionales (LLM, LM, FM) para Datos de Series Temporales, Espacio-Temporales y de Eventos.
tfts: Modelos de Deep Learning para series temporales en TensorFlow
MOMENT: Una familia de modelos fundamentales abiertos para series temporales, ICML'24
Polymarket || Polymarket Bot || Polymarket Copy Bot || Polymarket Copy Trading Bot
Recursos sobre pronóstico de series temporales y aprendizaje profundo.
Luminaire es un paquete de Python que proporciona soluciones impulsadas por ML para monitorear datos de series temporales.
Un marco universal para el aprendizaje de la representación de series temporales
Pronóstico jerárquico probabilístico 👑 con métodos estadísticos y econométricos.
Compilación de ejemplos del mundo real de alto perfil de proyectos fallidos de aprendizaje automático
Autoencoder LSTM de Doble Atención PyTorch para Series Temporales Multivariantes
TimeCopilot: el marco de predicción agentivo. Basado en LLM y modelos fundacionales de series temporales, permite realizar predicciones, validación cruzada y detección de anomalías con múltiples modelos fundacionales a través de una única API. Desde las finanzas y la energía hasta la analítica web, TimeCopilot convierte consultas en lenguaje natural en predicciones listas para producción.
Preguntas frecuentes
¿Cuál es el repositorio de #forecasting más popular en GitHub?
El proyecto de código abierto de #forecasting mejor posicionado en GitHub es meta/prophet, con 20,494 estrellas. Herramienta para producir pronósticos de alta calidad para datos de series temporales que tienen múltiples estacionalidades con crecimiento lineal o no lineal.
¿Qué lenguajes de programación se utilizan más en los repositorios de #forecasting?
Entre los proyectos de #forecasting mejor posicionados en GitHub, los lenguajes de programación más comunes son Python, Jupyter Notebook, R, TypeScript.
¿Cómo se calcula la clasificación de los repositorios de #forecasting?
Seguimos 56 repositorios activos de código abierto etiquetados con #forecasting (500+ estrellas), que suman un total de 186,967 estrellas, con una media de 3,338 estrellas por repositorio. Las clasificaciones se actualizan diariamente a partir de la API de GitHub.