#time-series-analysis Repositorios
Descubre 85 repositorios activos de código abierto de GitHub etiquetados con #time-series-analysis, que acumulan 245,037 estrellas en total (una media de 2,882 estrellas por proyecto). El líder de este tema es pathwaycom/pathway, con 61,976 estrellas.
85 repositorios en total
Framework ETL de Python para procesamiento de streams, análisis en tiempo real, pipelines de LLM y RAG.
Materiales y cuadernos IPython para "Python for Data Analysis" de Wes McKinney, publicado por O'Reilly Media
Libro del filtro de Kalman usando Jupyter Notebook. Se enfoca en construir intuición y experiencia, no en pruebas formales. Incluye filtros de Kalman, filtros de Kalman extendidos, filtros de Kalman sin perfume, filtros de partículas y más. Todos los ejercicios incluyen soluciones.
Una biblioteca para modelos avanzados de series temporales profundas para el análisis general de 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.
Series temporales Timeseries Deep Learning Machine Learning Python Pytorch fastai | Biblioteca de Deep Learning de vanguardia para Series Temporales y Secuencias en Pytorch / fastai
STUMPY es una biblioteca de Python potente y escalable para el análisis de series temporales modernas
Este repositorio contiene una lista de lectura de artículos sobre Pronóstico/Predicción de Series Temporales (TSF) y Pronóstico/Predicción Espacio-Temporal (STF). Estos artículos se clasifican principalmente según el tipo de modelo.
El kit de herramientas de aprendizaje automático para el análisis de series temporales en Python
Un modelo de trading de alta frecuencia que utiliza la API de Interactive Brokers con pares y reversión a la media en Python
[ICLR 2024] Implementación oficial de " 🦙 Time-LLM: Predicción de series temporales mediante la reprogramación de grandes modelos de lenguaje"
Domina las habilidades esenciales necesarias para reconocer y resolver problemas complejos del mundo real con Machine Learning y Deep Learning aprovechando el ecosistema de Python Machine Learning altamente popular.
Biblioteca de PyTorch de aprendizaje profundo para pronóstico de series temporales, clasificación y detección de anomalías (originalmente para pronóstico de inundaciones).
Jupyter Notebooks y código para Python for Finance (2ª ed., O'Reilly) de Yves Hilpisch.
[ICLR 2024] Implementación oficial de "TimeMixer: Decomposable Multiscale Mixing for Time Series Forecasting"
Un boletín gratuito para el trading cuantitativo y algorítmico, análisis de carteras e inversión
Tigramite es un paquete de Python para inferencia causal con un enfoque en datos de series temporales. La documentación de Tigramite está en
Resumen de materiales de aprendizaje de AIOps, bienvenido a completarlo juntos, bienvenido a star
Una biblioteca de cuadernos Jupyter y conferencias de YouTube correspondientes de Roman Paolucci
Un kit de herramientas para aprendizaje automático y aprendizaje profundo de series temporales
Una lista curada de impresionantes software, bibliotecas y recursos de radar de apertura sintética (SAR).
Una lista increíble de los últimos artículos y códigos de series temporales de los principales lugares de IA.
Biblioteca de extracción de características para series temporales (TSFEL): más de 60 características estadísticas, temporales, espectrales y fractales para clasificación y regresión de series temporales, y procesamiento de señales en Python
Código base para Redes Generativas Antagónicas de Series Temporales (TimeGAN) – NeurIPS 2019
Materiales del curso de Análisis en Mercados Bursátiles Zoomcamp
Código oficial, conjuntos de datos y puntos de control para "Timer: Generative Pre-trained Transformers Are Large Time Series Models" (ICML 2024) y trabajos posteriores
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
Biblioteca .NET fácil de usar para la manipulación de datos y series temporales y para la programación científica
Introducción a la modelización matemática: la serie de tutoriales más completa sobre modelos y algoritmos de modelización matemática en toda la red, ¡que te abrirá las puertas de la modelización matemática!
Análisis Exploratorio de Datos Práctico con Python, publicado por Packt
Biblioteca de Python para el análisis de datos de series temporales, incluyendo reducción de dimensionalidad, agrupación y estimación de modelos de Markov
El mejor repositorio que muestra por qué los transformadores podrían no ser la respuesta para la predicción de series temporales y que presenta los mejores modelos SOTA no transformadores.
Análisis del uso del atuendo SMA (caja negra) en los mercados de renta variable pública para obtener información en tiempo real sobre la distribución de la riqueza y la influencia directa en el mercado de valores. Un llamado a la transparencia y al debate público.
[TPAMI 2024] Fantásticas Recursos de GNN para el Análisis de Series Temporales (GNN4TS)
Preguntas frecuentes
¿Cuál es el repositorio de #time-series-analysis más popular en GitHub?
El proyecto de código abierto de #time-series-analysis mejor posicionado en GitHub es pathwaycom/pathway, con 61,976 estrellas. Framework ETL de Python para procesamiento de streams, análisis en tiempo real, pipelines de LLM y RAG.
¿Qué lenguajes de programación se utilizan más en los repositorios de #time-series-analysis?
Entre los proyectos de #time-series-analysis mejor posicionados en GitHub, los lenguajes de programación más comunes son Python, Jupyter Notebook, JavaScript, R.
¿Cómo se calcula la clasificación de los repositorios de #time-series-analysis?
Seguimos 85 repositorios activos de código abierto etiquetados con #time-series-analysis (500+ estrellas), que suman un total de 245,037 estrellas, con una media de 2,882 estrellas por repositorio. Las clasificaciones se actualizan diariamente a partir de la API de GitHub.