#time-series Dépôts
Découvrez 143 dépôts GitHub open source actifs associés à #time-series, cumulant 584,542 étoiles au total (soit une moyenne de 4,087 étoiles par projet). Le projet en tête de ce thème est redis/redis, avec 77,583 étoiles.
143 dépôts au total
Pour les développeurs qui construisent des applications pilotées par des données en temps réel, Redis est le cache préféré, le plus rapide et le plus riche en fonctionnalités, serveur de structures de données, et moteur de requête pour documents et vecteurs.
Le système de surveillance Prometheus et la base de données de séries temporelles.
Magasin de données évolutif pour les métriques, les événements et l'analyse en temps réel
Base de données de séries temporelles haute performance et évolutive, conçue pour les scénarios d'IoT industriel (IIoT)
Une base de données de séries temporelles pour des analyses en temps réel haute performance emballée comme une extension Postgres
Agent pour collecter, traiter, agréger et écrire des métriques, des journaux et d'autres données arbitraires.
QuestDB est une base de données de séries temporelles open-source haute performance
Solution d’alertes open source et auto-hébergée pour les métriques, les journaux et les bases de données. Comprend un agent IA et un serveur MCP intégrés.
Une bibliothèque pour les modèles avancés de séries temporelles profondes pour l'analyse générale des séries temporelles.
📈 Un graphique petit et rapide pour les séries temporelles, lignes, zones, OHLC et barres
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.
Le moteur de recherche qui vous donne un avantage déloyal. Testez des milliers d’idées de trading avant que les autres n’en terminent une seule.
Une bibliothèque Python pour des prévisions conviviales et la détection d'anomalies sur des séries temporelles.
Extraction automatique de caractéristiques pertinentes à partir de séries temporelles :
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
CrateDB est une base de données SQL distribuée et scalable pour stocker et analyser de grandes quantités de données en quasi temps réel, même avec des requêtes complexes. Elle est compatible avec PostgreSQL et basée sur Lucene.
Collection de sujets utiles en science des données avec des articles, des vidéos et du code
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 🚀.
Ce dépôt contient une liste de lecture d'articles sur la prévision/prédiction de séries temporelles (TSF) et la prévision/prédiction spatio-temporelle (STF). Ces articles sont principalement classés par type de modèle.
Le kit d'apprentissage automatique pour l'analyse de séries temporelles en Python
Liste d'outils et de datasets pour la détection d'anomalies sur des données de séries temporelles.
Une liste soigneusement sélectionnée de ressources impressionnantes (articles, code, données, etc.) sur les transformeurs dans les séries temporelles.
Liste de papiers, code et expériences utilisant l'apprentissage profond pour la prévision de séries temporelles
[ICLR 2024] Implémentation officielle de " 🦙 Time-LLM : Prévision de séries temporelles par reprogrammation de grands modèles de langage"
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
GridDB est une base de données open source de nouvelle génération qui rend les séries temporelles IoT et les big data rapides et faciles.
À propos de la publication du code pour "Autoformer : Decomposition Transformers with Auto-Correlation for Long-Term Series Forecasting" (NeurIPS 2021), https://arxiv.org/abs/2106.13008
[AAAI-23 Oral] Implémentation officielle du papier "Les Transformers sont-ils efficaces pour la prévision de séries temporelles ?"
Framework open source pour le traitement, la surveillance et l'alerte sur les données 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.
Crane est une plate-forme FinOps pour l'analyse et l'économie des ressources cloud dans les clusters Kubernetes. L'objectif n'est pas seulement d'aider les utilisateurs à gérer plus facilement les coûts du cloud, mais aussi d'assurer la qualité des applications.
Foire aux questions
Quel est le dépôt #time-series le plus populaire sur GitHub ?
Le projet #time-series open source le mieux classé sur GitHub est redis/redis, avec 77,583 étoiles. Pour les développeurs qui construisent des applications pilotées par des données en temps réel, Redis est le cache préféré, le plus rapide et le plus riche en fonctionnalités, serveur de structures de données, et moteur de requête pour documents et vecteurs.
Quels langages de programmation sont les plus utilisés dans les dépôts #time-series ?
Parmi les projets #time-series les mieux classés sur GitHub, les langages de programmation les plus courants sont Python, Jupyter Notebook, Go, C.
Comment le classement des dépôts #time-series est-il calculé ?
Nous suivons 143 dépôts open source actifs associés à #time-series (500+ étoiles), totalisant 584,542 étoiles, avec une moyenne de 4,087 étoiles par dépôt. Les classements sont mis à jour quotidiennement à partir de l’API GitHub.