#anomaly-detection Repository
Scopri 76 repository GitHub open source attivi contrassegnati con #anomaly-detection, che raccolgono un totale di 256,252 stelle (con una media di 3,371 stelle per progetto). Il progetto leader di questo argomento è netdata/netdata, con 81,572 stelle.
76 repository in totale
Osservabilità full-stack · Metriche · Log · Tracce · Flussi · Topologia · Infrastruttura · APM · NPM · DBM · RUM · Test sintetici · Cloud · SRE con IA · OpenTelemetry · SNMP · NetFlow/IPFIX/sFlow · IPMI · Redfish · Oltre 2.000 integrazioni
La libreria open-source di Cleanlab è il pacchetto AI data-centric standard per la qualità dei dati e l'apprendimento automatico con dati e etichette disordinati del mondo reale.
Una libreria Python per il rilevamento di anomalie su dati tabulari, serie temporali, grafi, testo, immagini e audio. Include oltre 60 rilevatori, un'orchestrazione ADEngine basata su benchmark e un flusso di lavoro agentico per agenti IA.
Piattaforma AutoML open-source a basso codice per Python. PyCaret 4.0: motore nativo sklearn + piano di controllo React.
Una libreria Python per previsioni user-friendly e rilevamento anomalie su serie temporali.
Libri, articoli, video e toolbox relativi al rilevamento di anomalie. Ultimo aggiornamento a fine 2025 per lavori su LLM e VLM!
Kats, un pacchetto per analizzare dati di serie temporali, un framework leggero, facile da usare, generalizzabile ed estendibile per eseguire analisi di serie temporali, dalla comprensione delle statistiche e caratteristiche chiave, al rilevamento di punti di cambiamento e anomalie, fino alla previsione di tendenze future.
Una libreria per il rilevamento di anomalie che comprende algoritmi e funzionalità all'avanguardia come la gestione degli esperimenti, l'ottimizzazione degli iperparametri e l'inferenza sul perimetro.
Merlion: Un framework di machine learning per l'intelligenza delle serie temporali
STUMPY è una potente e scalabile libreria Python per l'analisi moderna delle serie temporali
TimeGPT-2.1: modello fondazionale preaddestrato per serie temporali, pronto per la produzione, per le previsioni e il rilevamento delle anomalie. Un transformer generativo preaddestrato per serie temporali, addestrato su oltre 100 miliardi di punti dati. È in grado di effettuare previsioni accurate in vari ambiti, come vendita al dettaglio, elettricità, finanza e IoT, con solo poche righe di codice 🚀.
Elenco di articoli e set di dati per il rilevamento di anomalie/difetti nelle immagini industriali (in aggiornamento). Libreria di ricerca di articoli e set di dati sul rilevamento di anomalie/difetti industriali (aggiornamento continuo).
Elenco di strumenti e dataset per il rilevamento di anomalie nei dati di serie temporali.
Una grande collezione di dataset di log di sistema per l'analisi dei log basata su AI [ISSRE'23]
Tutorial Jupyter Notebook per risolvere problemi del mondo reale con Machine Learning & Deep Learning usando PyTorch. Argomenti: Rilevamento facciale con Detectron 2, Rilevamento anomalie nelle serie temporali con LSTM Autoencoders, Rilevamento oggetti con YOLO v5, Costruisci la tua prima Neural Network, Previsione serie temporali per i casi giornalieri di Coronavirus, Analisi del sentimento con BER
Libreria PyTorch di deep learning per previsione di serie temporali, classificazione e rilevamento di anomalie (originariamente per previsione di alluvioni).
Una libreria di alto livello per il machine learning e il deep learning per il linguaggio PHP.
Un toolkit/biblioteca Python per machine/deep learning e data mining centrato sulla realtà su serie temporali parzialmente osservate, con oltre 50 modelli di reti neurali SOTA per compiti di analisi scientifica (imputazione, classificazione, clustering, previsione, rilevamento anomalie, pulizia) su TS multivariate industriali incomplete campionate irregolarmente con valori mancanti NaN
Un elenco curato di articoli e risorse basati su grafi/transformer per il rilevamento di frodi, anomalie e outlier
Raccolta di materiali di apprendimento AIOps, benvenuti a completarla insieme, star benvenuti
Una libreria Python per il rilevamento di outlier nei grafi (rilevamento di anomalie)
Un toolkit di machine learning per la rilevazione di anomalie basata su log [ISSRE'16]
Un toolkit Python per il rilevamento di anomalie basato su regole/non supervisionato in serie temporali
Un framework per l'uso di LSTMs per rilevare anomalie nei dati di serie temporali multivariabili. Include dati di anomalie di veicoli spaziali e esperimenti dalle missioni Mars Science Laboratory e SMAP.
Un elenco eccezionale degli ultimi articoli e codici sulle serie temporali dalle principali sedi dell'IA.
ElastAlert 2 è una continuazione del progetto originale yelp/elastalert. Le richieste di pull sono apprezzate!
Riepilogo del lavoro sulle serie temporali nelle migliori conferenze CS (NIPS, ICML, ICLR, KDD, AAAI, WWW, IJCAI, CIKM, ICDM, ICDE, ecc.)
Risorse per il rilevamento fuori distribuzione, la robustezza e la generalizzazione. Il repository contiene un elenco curato di articoli, tutorial, libri, video, articoli e librerie open-source, ecc.
Implementazione ufficiale di "ADBench: Anomaly Detection Benchmark", NeurIPS 2022.
Identificazione di ordini anomali: modello di classificazione degli ordini fraudolenti (Random Forest / Albero Decisionale / SVM)
Una rassegna e un elenco di articoli sugli attuali modelli di diffusione per dati di serie temporali e spazio-temporali con risorse eccezionali (articoli, applicazioni, recensioni, rassegne, ecc.).
Informazioni sul rilascio del codice per "TimesNet: Temporal 2D-Variation Modeling for General Time Series Analysis" (ICLR 2023), https://openreview.net/pdf?id=ju_Uqw384Oq
MOMENT: Una famiglia di modelli fondamentali a serie temporali aperti, ICML'24
Una collezione di metodi di rilevamento anomalie (iid/basati su punti, grafo e serie temporali) inclusi apprendimento attivo per rilevamento/scoperta anomalie, estrazione regole bayesiana, descrizione per diversità/spiegazione/interpretabilità. Analisi dell'incorporazione di feedback etichette con rilevatori ensemble e basati su alberi. Include attacchi avversari con Graph Convolutional Network.
Implementazione ufficiale di "Segment Any Anomaly without Training via Hybrid Prompt Regularization (SAA+)".
Luminaire è un pacchetto Python che fornisce soluzioni guidate da ML per il monitoraggio dei dati di serie temporali.
Domande frequenti
Qual è il repository #anomaly-detection più popolare su GitHub?
Il progetto open source #anomaly-detection più alto in classifica su GitHub è netdata/netdata, con 81,572 stelle. Osservabilità full-stack · Metriche · Log · Tracce · Flussi · Topologia · Infrastruttura · APM · NPM · DBM · RUM · Test sintetici · Cloud · SRE con IA · OpenTelemetry · SNMP · NetFlow/IPFIX/sFlow · IPMI · Redfish · Oltre 2.000 integrazioni
Quali linguaggi di programmazione sono più utilizzati nei repository #anomaly-detection?
Tra i progetti #anomaly-detection più alti in classifica su GitHub, i linguaggi di programmazione più comuni sono Python, Jupyter Notebook, PHP, Go.
Come viene calcolata la classifica dei repository #anomaly-detection?
Monitoriamo 76 repository open source attivi contrassegnati con #anomaly-detection (500+ stelle), per un totale di 256,252 stelle e una media di 3,371 stelle per repository. Le classifiche vengono aggiornate quotidianamente tramite l’API di GitHub.