#anomaly-detection Dépôts
Découvrez 76 dépôts GitHub open source actifs associés à #anomaly-detection, cumulant 256,252 étoiles au total (soit une moyenne de 3,371 étoiles par projet). Le projet en tête de ce thème est netdata/netdata, avec 81,572 étoiles.
76 dépôts au total
Observabilité full-stack · Métriques · Journaux · Traces · Flux · Topologie · Infrastructure · APM · NPM · DBM · RUM · Tests synthétiques · Cloud · SRE avec IA · OpenTelemetry · SNMP · NetFlow/IPFIX/sFlow · IPMI · Redfish · Plus de 2 000 intégrations
La bibliothèque open-source de Cleanlab est le package AI centré sur les données standard pour la qualité des données et l'apprentissage automatique avec des données et des étiquettes désordonnées du monde réel.
Une bibliothèque Python pour la détection d'anomalies sur des données tabulaires, des séries temporelles, des graphes, du texte, des images et de l'audio. Plus de 60 détecteurs, une orchestration ADEngine basée sur des benchmarks et un flux de travail agentique pour les agents IA.
Plateforme AutoML open-source low-code pour Python. PyCaret 4.0 : moteur natif sklearn + plan de contrôle React.
Une bibliothèque Python pour des prévisions conviviales et la détection d'anomalies sur des séries temporelles.
Livres, articles, vidéos et boîtes à outils liés à la détection d'anomalies. Dernière mise à jour fin 2025 pour les travaux sur les LLM et les VLM !
Implémentation d'algorithmes d'apprentissage automatique en Python
Kats, un kit pour analyser des données de séries temporelles, un framework léger, facile à utiliser, généralisable et extensible pour effectuer des analyses de séries temporelles, de la compréhension des statistiques et caractéristiques clés, à la détection de points de changement et d'anomalies, en passant par la prévision des tendances futures.
Une bibliothèque de détection d'anomalies comprenant des algorithmes et des fonctionnalités de pointe tels que la gestion d'expériences, l'optimisation des hyperparamètres et l'inférence en périphérie.
Merlion : Un cadre d'apprentissage automatique pour l'intelligence des séries chronologiques
STUMPY est une bibliothèque Python puissante et scalable pour l'analyse de séries temporelles modernes
TimeGPT-2.1 : modèle fondamental préentraîné de séries temporelles, prêt pour la production, destiné aux prévisions et à la détection d’anomalies. Un transformeur génératif préentraîné pour les séries temporelles, entraîné sur plus de 100 milliards de points de données. Il est capable d’effectuer des prévisions précises dans divers domaines, tels que le commerce de détail, l’électricité, la finance et l’IoT, en seulement quelques lignes de code 🚀.
Liste de papiers et ensembles de données pour la détection d'anomalies/défauts d'images industrielles (en cours de mise à jour). Bibliothèque de recherche d'articles et de jeux de données sur la détection d'anomalies/défauts industriels (mise à jour continue).
Liste d'outils et de datasets pour la détection d'anomalies sur des données de séries temporelles.
Une grande collection de jeux de données de journaux système pour l'analyse de logs pilotée par l'IA [ISSRE'23]
Tutoriels Jupyter Notebook pour résoudre des problèmes du monde réel avec Machine Learning & Deep Learning en utilisant PyTorch. Sujets : Détection de visages avec Detectron 2, Détection d'anomalies dans les séries temporelles avec LSTM Autoencoders, Détection d'objets avec YOLO v5, Construisez votre premier Neural Network, Prévision de séries temporelles pour les cas quotidiens de Coronavirus, Analyse de sentiments avec BER
Bibliothèque PyTorch d'apprentissage profond pour la prévision de séries temporelles, la classification et la détection d'anomalies (initialement pour la prévision des inondations).
Une bibliothèque d'apprentissage automatique et d'apprentissage profond de haut niveau pour le langage PHP.
Une boîte à outils/bibliothèque Python pour l'apprentissage automatique/profonds centré sur la réalité et le data mining sur des séries temporelles partiellement observées, avec plus de 50 modèles de réseaux de neurones SOTA pour les tâches d'analyse scientifique (imputation, classification, clustering, prévision, détection d'anomalies, nettoyage) sur des TS multivariées industrielles incomplètes échantillonnées irrégulièrement avec des valeurs manquantes NaN
Une boîte à outils d'apprentissage automatique pour l'analyse des journaux [ICSE'19, DSN'16]
Une liste organisée d'articles et de ressources sur la détection de fraude, d'anomalies et de valeurs aberrantes basée sur les graphes/transformateurs
Résumé des ressources d'apprentissage AIOps, bienvenue pour compléter ensemble ce dépôt, bienvenue star
Un kit d'outils d'apprentissage automatique pour la détection d'anomalies basée sur les journaux [ISSRE'16]
Bibliothèque de détection d'anomalies dans les séries temporelles sans supervision
Un kit d'outils Python pour la détection d'anomalies basée sur des règles/non supervisée dans les séries temporelles
Un cadre pour utiliser les LSTMs pour détecter les anomalies dans les données de séries temporelles multivariées. Inclut des données d'anomalies de vaisseaux spatiaux et des expériences des missions Mars Science Laboratory et SMAP.
Une liste impressionnante des derniers articles et de codes sur les séries temporelles des meilleures conférences d'IA.
ElastAlert 2 est une continuation du projet original yelp/elastalert. Les Pull Requests sont appréciées !
Résumé des travaux sur les séries temporelles dans les conférences informatiques de premier plan (NIPS, ICML, ICLR, KDD, AAAI, WWW, IJCAI, CIKM, ICDM, ICDE, etc.)
Ressources pour la détection hors distribution, la robustesse et la généralisation. Le dépôt contient une liste organisée de papiers, tutoriels, livres, vidéos, articles et bibliothèques open-source, etc.
Implémentation officielle de "ADBench: Anomaly Detection Benchmark", NeurIPS 2022.
Identification des commandes anormales : modèle de classification des commandes frauduleuses (Forêt aléatoire / Arbre de décision / SVM)
Une enquête et une liste d'articles sur les modèles de diffusion actuels pour les données de séries temporelles et spatio-temporelles avec d'excellentes ressources (articles, applications, critiques, enquêtes, etc.).
À propos de la publication du code pour "TimesNet: Temporal 2D-Variation Modeling for General Time Series Analysis" (ICLR 2023), https://openreview.net/pdf?id=ju_Uqw384Oq
MOMENT : Une famille de modèles fondamentaux ouverts pour séries temporelles, ICML'24
Une collection de méthodes de détection d'anomalies (iid/basées sur des points, graphe et séries temporelles) incluant l'apprentissage actif pour la détection/découverte d'anomalies, l'extraction de règles bayésiennes, description pour la diversité/explication/interprétabilité. Analyse de l'incorporation de retours d'étiquettes avec des détecteurs basés sur ensemble et arbre. Inclut des attaques adverses avec Graph Convolutional Network.
Implémentation officielle de "Segmenter toute anomalie sans entraînement via une régularisation par invite hybride (SAA+)".
LogAI - Une bibliothèque open-source pour l'analyse et l'intelligence des journaux
Luminaire est un package Python qui fournit des solutions pilotées par ML pour la surveillance des données de séries chronologiques.
Foire aux questions
Quel est le dépôt #anomaly-detection le plus populaire sur GitHub ?
Le projet #anomaly-detection open source le mieux classé sur GitHub est netdata/netdata, avec 81,572 étoiles. Observabilité full-stack · Métriques · Journaux · Traces · Flux · Topologie · Infrastructure · APM · NPM · DBM · RUM · Tests synthétiques · Cloud · SRE avec IA · OpenTelemetry · SNMP · NetFlow/IPFIX/sFlow · IPMI · Redfish · Plus de 2 000 intégrations
Quels langages de programmation sont les plus utilisés dans les dépôts #anomaly-detection ?
Parmi les projets #anomaly-detection les mieux classés sur GitHub, les langages de programmation les plus courants sont Python, Jupyter Notebook, PHP, Go.
Comment le classement des dépôts #anomaly-detection est-il calculé ?
Nous suivons 76 dépôts open source actifs associés à #anomaly-detection (500+ étoiles), totalisant 256,252 étoiles, avec une moyenne de 3,371 étoiles par dépôt. Les classements sont mis à jour quotidiennement à partir de l’API GitHub.