#time-series-analysis Dépôts
85 dépôts au total
FinMem : Un agent de trading LLM amélioré avec mémoire stratifiée et conception de personnage
Un framework universel d'apprentissage de la représentation des séries chronologiques
Méthodes pour obtenir la probabilité d'un point de rupture dans une série chronologique.
Construisez automatiquement des modèles ARIMA, SARIMAX, VAR, FB Prophet et XGBoost sur des ensembles de données de séries chronologiques avec une seule ligne de code. Créé par Ram Seshadri. Collaborateurs bienvenus.
Ressources pour travailler avec des données de séries chronologiques et séquentielles
Un arbre d'intervalles mutable et auto-équilibré. Les requêtes peuvent être par point, par chevauchement d'intervalles ou par inclusion d'intervalles.
Une extension JupyterLab pour afficher des tableaux de bord d'utilisation du GPU.
Benchmark d'évaluation industriel pionnier pour les LLM dans le domaine DevOps/AIOps.
Code source et données pour le suivi des décès excédentaires liés au COVID-19 de The Economist
Le code officiel pour "One Fits All: Power General Time Series Analysis by Pretrained LM (NeurIPS 2023 Spotlight)"
Python Algorithmic Trading Cookbook, publié par Packt
Modeltime débloque les modèles de prévision des séries chronologiques et le machine learning dans un seul framework
Analyse de séries temporelles pour Rust, avec des liaisons vers Python et Javascript
Une bibliothèque Python pour l'analyse de séries temporelles à espacement irrégulier
Ce dépôt contient une liste de lecture d'articles sur la segmentation des séries temporelles. Ce dépôt est encore en cours d'amélioration continue.
Modélisation profonde de séries temporelles géniale et facile à utiliser basée sur PaddlePaddle, incluant des modules de fonctionnalités complets comme TSDataset, Analysis, Transform, Models, AutoTS et Ensemble, etc., prenant en charge des tâches polyvalentes comme la prévision de séries temporelles, l'apprentissage de représentations et la détection d'anomalies, etc., caractérisée par un suivi rapide des modèles profonds SOTA.
Définir les fonctions `fortify` et `autoplot` pour permettre à ggplot2 de gérer certains packages R populaires.
Lecture guidée centrée sur Python de Forecasting: Principles and Practice