#forecasting Dépôts
Découvrez 56 dépôts GitHub open source actifs associés à #forecasting, cumulant 186,967 étoiles au total (soit une moyenne de 3,338 étoiles par projet). Le projet en tête de ce thème est meta/prophet, avec 20,494 étoiles.
56 dépôts au total
Outil pour produire des prévisions de haute qualité pour les données de séries temporelles qui présentent une multiplicité de saisonnalités avec une croissance linéaire ou non linéaire.
Scripts d'apprentissage profond de pointe organisés par modèles - faciles à entraîner et à déployer avec une précision et des performances reproductibles sur une infrastructure de niveau entreprise.
Une bibliothèque Python pour des prévisions conviviales et la détection d'anomalies sur des séries temporelles.
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.
Chronos : Modèles pré-entraînés pour la prévision de séries chronologiques
Série temporelle Timeseries Deep Learning Machine Learning Python Pytorch fastai | Bibliothèque Deep Learning de pointe pour les séries temporelles et les séquences en Pytorch / fastai
Merlion : Un cadre d'apprentissage automatique pour l'intelligence des séries chronologiques
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 🚀.
Une liste soigneusement sélectionnée de ressources impressionnantes (articles, code, données, etc.) sur les transformeurs dans les séries temporelles.
[AAAI-23 Oral] Implémentation officielle du papier "Les Transformers sont-ils efficaces pour la prévision de séries temporelles ?"
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 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
Un package Python pour la prévision bayésienne avec une conception orientée objet et des modèles probabilistes sous-jacents.
Une bibliothèque statistique conçue pour combler le vide dans les capacités d'analyse de séries temporelles de Python, incluant l'équivalent de la fonction auto.arima de R.
Entraînement unifié de transformeurs universels pour la prévision de séries temporelles
Lag-Llama : Vers des modèles fondamentaux pour la prévision probabiliste de séries temporelles
Une liste professionnelle d'articles, de tutoriels et d'enquêtes sur l'IA pour les séries temporelles dans les meilleures conférences et revues d'IA.
Bibliothèque Python pour la prévision de séries temporelles utilisant des modèles compatibles avec scikit-learn, des méthodes statistiques et des modèles fondamentaux
Une boîte à outils pour l'apprentissage automatique et l'apprentissage profond des séries chronologiques
Django Ledger est un système de comptabilité en partie double et un moteur d'analyse financière construit sur le Django Web Framework.
Apprentissage automatique de séries temporelles à grande échelle. Construit avec Polars pour une extraction de caractéristiques et des prévisions sur des données de panel, facilement parallélisables.
Une liste professionnelle sur les grands modèles (de langage) et les modèles fondamentaux (LLM, LM, FM) pour les données de séries temporelles, spatio-temporelles et événementielles.
tfts: Modèles d'apprentissage profond pour séries temporelles en TensorFlow
MOMENT : Une famille de modèles fondamentaux ouverts pour séries temporelles, ICML'24
Polymarket || Polymarket Bot || Polymarket Copy Bot || Polymarket Copy Trading Bot
Ressources sur la prévision des séries chronologiques et le deep learning.
Luminaire est un package Python qui fournit des solutions pilotées par ML pour la surveillance des données de séries chronologiques.
Un framework universel d'apprentissage de la représentation des séries chronologiques
Prévision hiérarchique probabiliste 👑 avec des méthodes statistiques et économétriques.
Compilation d'exemples concrets de haut niveau de projets d'apprentissage automatique ayant échoué
PyTorch Dual-Attention LSTM-Autoencodeur pour séries temporelles multivariées
TimeCopilot : le framework de prévision agentique. Basé sur des LLM et des modèles de fondation pour séries temporelles, il permet de réaliser des prévisions, des validations croisées et de détecter des anomalies à l’aide de plusieurs modèles de fondation via une API unique. De la finance à l’énergie, en passant par l’analyse web, TimeCopilot transforme les requêtes en langage naturel en prévisions prêtes pour la production.
Foire aux questions
Quel est le dépôt #forecasting le plus populaire sur GitHub ?
Le projet #forecasting open source le mieux classé sur GitHub est meta/prophet, avec 20,494 étoiles. Outil pour produire des prévisions de haute qualité pour les données de séries temporelles qui présentent une multiplicité de saisonnalités avec une croissance linéaire ou non linéaire.
Quels langages de programmation sont les plus utilisés dans les dépôts #forecasting ?
Parmi les projets #forecasting les mieux classés sur GitHub, les langages de programmation les plus courants sont Python, Jupyter Notebook, R, TypeScript.
Comment le classement des dépôts #forecasting est-il calculé ?
Nous suivons 56 dépôts open source actifs associés à #forecasting (500+ étoiles), totalisant 186,967 étoiles, avec une moyenne de 3,338 étoiles par dépôt. Les classements sont mis à jour quotidiennement à partir de l’API GitHub.