#timeseries Dépôts
Découvrez 50 dépôts GitHub open source actifs associés à #timeseries, cumulant 104,436 étoiles au total (soit une moyenne de 2,088 étoiles par projet). Le projet en tête de ce thème est leeoniya/uPlot, avec 10,664 étoiles.
50 dépôts au total
📈 Un graphique petit et rapide pour les séries temporelles, lignes, zones, OHLC et barres
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
extraire les données internes des journaux d'application pour la collecte dans une base de données de séries temporelles
Visualisations interactives de séries temporelles utilisant JavaScript et la balise canvas HTML
Le kit d'apprentissage automatique pour l'analyse de séries temporelles en Python
LinDB est une base de données distribuée de séries temporelles scalable, haute performance et haute disponibilité.
Une liste soigneusement sélectionnée de ressources impressionnantes (articles, code, données, etc.) sur les transformeurs dans les séries temporelles.
GridDB est une base de données open source de nouvelle génération qui rend les séries temporelles IoT et les big data rapides et faciles.
Une base de données de séries temporelles distribuée open source native dans le cloud, offrant de hautes performances, un rapport de compression élevé et une haute disponibilité.
⭐️ L'Entrepôt d'Observabilité Polyglotte Open-Source : Léger, Rapide, Natif Cloud, Alternative Drop-in à Grafana LGTMP :rocket: Alternative Indie Tout-en-Un Opentelemetry, Loki, Prometheus, Tempo, Pyroscope On-Prem :star:
Générateurs de données synthétiques pour données tabulaires et 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.
Explorez interactivement des jeux de données non structurés à partir de votre dataframe.
Distances de séries temporelles : Dynamic Time Warping (implémentation rapide de DTW en C)
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.
Séries chronologiques plus facile, plus rapide, plus amusant. Pytimetk.
Implémentation du modèle Transformer (originalement de Attention is All You Need) appliqué aux séries temporelles.
tfts: Modèles d'apprentissage profond pour séries temporelles en TensorFlow
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 Golang du serveur Graphite/Carbon avec une architecture classique : Agent -> Cache -> Persister
Module Chart.js pour la création de graphiques de titres financiers
Prévision hiérarchique probabiliste 👑 avec des méthodes statistiques et économétriques.
Bibliothèque C++ header-only de haute qualité pour le rééchantillonneur audio professionnel / la conversion de fréquence d'échantillonnage. Très rapide, à la fois pour le rééchantillonnage audio et l'interpolation de séries temporelles.
Exemple de prédiction de plusieurs séries temporelles multivariées avec des réseaux de neurones récurrents LSTM en Python avec Keras.
Un code simple et flexible pour les architectures de Reservoir Computing comme les Echo State Networks
Dépôt de l'article « A Systematic Evaluation of Deep Anomaly Detection Methods for Time Series ».
Détection d'anomalies en temps réel pour les métriques de séries temporelles. 11 ans d'évolution de la détection d'anomalies en production. Ensembles multi-algorithmes. Reconnaissance de motifs par apprentissage semi-supervisé et non supervisé. Analyse de corrélation. Apprend et s'améliore avec le temps. Aucun GPU requis, peut fonctionner sur un VPS.
Modeltime débloque les modèles de prévision des séries chronologiques et le machine learning dans un seul framework
Un package convivial pour l'analyse de séries temporelles Kepler et TESS en Python.
SiriDB est une base de données de séries temporelles hautement scalable, robuste et super rapide. Construite de A à Z, SiriDB utilise un mécanisme unique pour fonctionner sans index global et permet d'ajouter des ressources serveur à la volée. Le langage de requête unique de SiriDB inclut un regroupement dynamique des séries temporelles pour une analyse facile sur de grandes quantités de séries temporelles.
Foire aux questions
Quel est le dépôt #timeseries le plus populaire sur GitHub ?
Le projet #timeseries open source le mieux classé sur GitHub est leeoniya/uPlot, avec 10,664 étoiles. 📈 Un graphique petit et rapide pour les séries temporelles, lignes, zones, OHLC et barres
Quels langages de programmation sont les plus utilisés dans les dépôts #timeseries ?
Parmi les projets #timeseries les mieux classés sur GitHub, les langages de programmation les plus courants sont Python, JavaScript, Go, Jupyter Notebook.
Comment le classement des dépôts #timeseries est-il calculé ?
Nous suivons 50 dépôts open source actifs associés à #timeseries (500+ étoiles), totalisant 104,436 étoiles, avec une moyenne de 2,088 étoiles par dépôt. Les classements sont mis à jour quotidiennement à partir de l’API GitHub.