#forecasting Repository
Scopri 56 repository GitHub open source attivi contrassegnati con #forecasting, che raccolgono un totale di 186,967 stelle (con una media di 3,338 stelle per progetto). Il progetto leader di questo argomento è meta/prophet, con 20,494 stelle.
56 repository in totale
Strumento per produrre previsioni di alta qualità per dati di serie temporali che presentano multiple stagionalità con crescita lineare o non lineare.
Script di deep learning all'avanguardia organizzati per modelli - facili da addestrare e distribuire con accuratezza e prestazioni riproducibili su infrastruttura di livello enterprise.
Una libreria Python per previsioni user-friendly e rilevamento anomalie su serie temporali.
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.
Chronos: Modelli pre-addestrati per la previsione di serie temporali
Serie temporali Timeseries Deep Learning Machine Learning Python Pytorch fastai | Libreria Deep Learning all'avanguardia per Serie Temporali e Sequenze in Pytorch / fastai
Merlion: Un framework di machine learning per l'intelligenza 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 🚀.
Un elenco curato professionalmente di fantastiche risorse (paper, codice, dati, ecc.) sui trasformatori nelle serie temporali.
[AAAI-23 Orale] Implementazione ufficiale del paper "Sono efficaci i Transformer per la previsione delle serie temporali?"
Libreria PyTorch di deep learning per previsione di serie temporali, classificazione e rilevamento di anomalie (originariamente per previsione di alluvioni).
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 pacchetto Python per la previsione bayesiana con design orientato agli oggetti e modelli probabilistici sottostanti.
Una libreria statistica progettata per colmare il vuoto nelle capacità di analisi delle serie temporali di Python, inclusa l'equivalente della funzione auto.arima di R.
Addestramento unificato di trasformatori universali per la previsione di serie temporali
Lag-Llama: Verso modelli fondamentali per la previsione probabilistica di serie temporali
Un elenco professionale di articoli, tutorial e survey sull'IA per serie temporali nelle principali conferenze e riviste di IA.
Libreria Python per la previsione di serie temporali utilizzando modelli compatibili con scikit-learn, metodi statistici e modelli fondamentali
Django Ledger è un sistema di contabilità a partita doppia e un motore di analisi finanziaria costruito sul Django Web Framework.
Machine learning per serie temporali su larga scala. Costruito con Polars per l'estrazione di funzionalità e previsioni sui dati del pannello, facilmente parallelizzabili.
Un elenco professionale su Large (Language) Models e Foundation Models (LLM, LM, FM) per dati di serie temporali, spazio-temporali ed eventi.
tfts: Modelli di Deep Learning per Serie Temporali in TensorFlow
MOMENT: Una famiglia di modelli fondamentali a serie temporali aperti, ICML'24
Polymarket || Polymarket Bot || Polymarket Copy Bot || Polymarket Copy Trading Bot
Risorse su previsioni di serie temporali e deep learning.
Luminaire è un pacchetto Python che fornisce soluzioni guidate da ML per il monitoraggio dei dati di serie temporali.
Un framework universale per l'apprendimento della rappresentazione di serie temporali
Previsioni gerarchiche probabilistiche 👑 con metodi statistici ed econometrici.
Raccolta di esempi reali di alto profilo di progetti di machine learning falliti
PyTorch Dual-Attention LSTM-Autoencoder per serie temporali multivariate
TimeCopilot: il framework agentico per le previsioni. Basato su LLM e modelli fondazionali per serie temporali, consente di effettuare previsioni, convalide incrociate e rilevare anomalie utilizzando più modelli fondazionali tramite un’unica API. Dalla finanza all’energia, fino all’analisi web, TimeCopilot trasforma le query in linguaggio naturale in previsioni pronte per la produzione.
Domande frequenti
Qual è il repository #forecasting più popolare su GitHub?
Il progetto open source #forecasting più alto in classifica su GitHub è meta/prophet, con 20,494 stelle. Strumento per produrre previsioni di alta qualità per dati di serie temporali che presentano multiple stagionalità con crescita lineare o non lineare.
Quali linguaggi di programmazione sono più utilizzati nei repository #forecasting?
Tra i progetti #forecasting più alti in classifica su GitHub, i linguaggi di programmazione più comuni sono Python, Jupyter Notebook, R, TypeScript.
Come viene calcolata la classifica dei repository #forecasting?
Monitoriamo 56 repository open source attivi contrassegnati con #forecasting (500+ stelle), per un totale di 186,967 stelle e una media di 3,338 stelle per repository. Le classifiche vengono aggiornate quotidianamente tramite l’API di GitHub.