#anomaly-detection Repositórios
Descubra 76 repositórios ativos de código aberto no GitHub marcados com #anomaly-detection, acumulando um total de 256,252 estrelas (uma média de 3,371 por projeto). O líder deste tópico é netdata/netdata, com 81,572 estrelas.
76 repositórios no total
Observabilidade full-stack · Métricas · Logs · Rastros · Fluxos · Topologia · Infraestrutura · APM · NPM · DBM · RUM · Testes sintéticos · Nuvem · SRE com IA · OpenTelemetry · SNMP · NetFlow/IPFIX/sFlow · IPMI · Redfish · Mais de 2.000 integrações
A biblioteca de código aberto do Cleanlab é o pacote padrão de IA centrado em dados para qualidade de dados e aprendizado de máquina com dados e rótulos reais e confusos.
Uma biblioteca Python para detecção de anomalias em dados tabulares, séries temporais, grafos, texto, imagens e áudio. Inclui mais de 60 detectores, orquestração ADEngine baseada em benchmarks e um fluxo de trabalho agente para agentes de IA.
Plataforma AutoML open-source de baixo código para Python. PyCaret 4.0: motor nativo sklearn + plano de controle React.
Uma biblioteca Python para previsão fácil de usar e detecção de anomalias em séries temporais.
Livros, artigos, vídeos e caixas de ferramentas relacionados à detecção de anomalias. Última atualização no final de 2025 para trabalhos de LLM e VLM!
Kats, um kit para analisar dados de séries temporais, um framework leve, fácil de usar, generalizável e extensível para realizar análise de séries temporais, desde a compreensão das estatísticas e características chave, detecção de pontos de mudança e anomalias, até a previsão de tendências futuras.
Uma biblioteca de detecção de anomalias que compreende algoritmos de ponta e recursos como gerenciamento de experimentos, otimização de hiperparâmetros e inferência de borda.
Merlion: Uma Estrutura de Machine Learning para Inteligência em Séries Temporais
STUMPY é uma biblioteca Python poderosa e escalável para análise moderna de séries temporais
TimeGPT-2.1: modelo fundacional de séries temporais pré-treinado e pronto para produção, para previsão e detecção de anomalias. Um transformador generativo pré-treinado para séries temporais, treinado com mais de 100 bilhões de pontos de dados. Ele é capaz de fazer previsões precisas em diversos domínios, como varejo, eletricidade, finanças e IoT, com apenas algumas linhas de código 🚀.
Lista de artigos e conjuntos de dados para detecção de anomalias/defeitos em imagens industriais (em atualização).
Lista de ferramentas e conjuntos de dados para detecção de anomalias em dados de séries temporais.
Uma grande coleção de conjuntos de dados de logs do sistema para análise de logs orientada por IA [ISSRE'23]
Tutoriais de Jupyter Notebook sobre como resolver problemas do mundo real com Machine Learning e Deep Learning usando PyTorch. Tópicos: Detecção facial com Detectron 2, Detecção de anomalias em Séries Temporais com Autoencoders LSTM, Detecção de objetos com YOLO v5, Construa sua primeira Rede Neural, Previsão de Séries Temporais para casos diários de Coronavírus, Análise de Sentimentos com BER
A coleção de modelos de IA pré-treinados e de última geração para o ailia SDK
Biblioteca PyTorch de aprendizado profundo para previsão de séries temporais, classificação e detecção de anomalias (originalmente para previsão de inundações).
Uma biblioteca de aprendizado de máquina e aprendizado profundo de alto nível para a linguagem PHP.
Uma toolkit/biblioteca Python para machine/deep learning e mineração de dados centrado na realidade em séries temporais parcialmente observadas, com mais de 50 modelos de redes neurais SOTA para tarefas de análise científica (imputação, classificação, agrupamento, previsão, detecção de anomalias, limpeza) em TS multivariadas industriais incompletas amostradas irregularmente com valores ausentes NaN
Uma caixa de ferramentas de aprendizado de máquina para análise de logs [ICSE'19, DSN'16]
Uma lista selecionada de artigos e recursos sobre detecção de fraudes, anomalias e outliers baseada em Grafos/Transformers
Compilação de materiais de aprendizado sobre AIOps, sinta-se à vontade para contribuir para este repositório e dar uma estrela (star)
Uma Biblioteca Python para Detecção de Outliers em Grafos (Detecção de Anomalias)
Um kit de ferramentas de aprendizado de máquina para detecção de anomalias baseada em logs [ISSRE'16]
Uma toolkit Python para detecção de anomalias não supervisionada/baseada em regras em séries temporais
Uma estrutura para usar LSTMs para detectar anomalias em dados de séries temporais multivariadas. Inclui dados de anomalias de espaçonaves e experimentos das missões Mars Science Laboratory e SMAP.
Uma Lista Incrível dos mais recentes artigos e códigos sobre séries temporais de importantes eventos de IA.
ElastAlert 2 é uma continuação do projeto original yelp/elastalert. Pull requests são bem-vindos!
Sumário de Trabalhos em Séries Temporais nas Principais Conferências de CS (NIPS, ICML, ICLR, KDD, AAAI, WWW, IJCAI, CIKM, ICDM, ICDE, etc.)
Recursos para detecção fora de distribuição, robustez e generalização. O repositório contém uma lista selecionada de artigos, tutoriais, livros, vídeos, artigos e bibliotecas de código aberto, etc.
Identificação de pedidos anômalos: modelo de classificação de pedidos fraudulentos (Random Forest / Árvore de Decisão / SVM)
Um levantamento e lista de artigos sobre Modelos de Difusão atuais para Séries Temporais e Dados Espaço-Temporais, com recursos excelentes (artigos, aplicações, revisões, pesquisas, etc.).
Sobre o lançamento do código para "TimesNet: Temporal 2D-Variation Modeling for General Time Series Analysis" (ICLR 2023), https://openreview.net/pdf?id=ju_Uqw384Oq
MOMENT: Uma Família de Modelos Fundamentais de Séries Temporais Abertas, ICML'24
Uma coleção de métodos de detecção de anomalias (iid/baseados em pontos, grafos e séries temporais), incluindo aprendizado ativo para detecção/descoberta de anomalias, mineração de regras bayesianas, descrição para diversidade/explicação/interpretabilidade. Análise da incorporação de feedback de rótulos com detectores baseados em ensemble e em árvores. Inclui ataques adversariais com Redes Neurais Convolucionais de Grafos.
Implementação oficial de "Segmentação de Qualquer Anomalia sem Treinamento via Regularização de Prompt Híbrido (SAA+)".
Luminaire é um pacote Python que fornece soluções impulsionadas por ML para monitorar dados de séries temporais.
Perguntas Frequentes
Qual é o repositório de #anomaly-detection mais popular no GitHub?
O projeto de código aberto de #anomaly-detection mais bem classificado no GitHub é netdata/netdata, com 81,572 estrelas. Observabilidade full-stack · Métricas · Logs · Rastros · Fluxos · Topologia · Infraestrutura · APM · NPM · DBM · RUM · Testes sintéticos · Nuvem · SRE com IA · OpenTelemetry · SNMP · NetFlow/IPFIX/sFlow · IPMI · Redfish · Mais de 2.000 integrações
Quais linguagens de programação são mais usadas nos repositórios de #anomaly-detection?
Entre os projetos de #anomaly-detection mais bem classificados no GitHub, as linguagens de programação mais comuns são Python, Jupyter Notebook, PHP, Go.
Como é calculada a classificação dos repositórios de #anomaly-detection?
Acompanhamos 76 repositórios ativos de código aberto marcados com #anomaly-detection (com mais de 500 estrelas), totalizando 256,252 estrelas e uma média de 3,371 estrelas por repositório. As classificações são atualizadas diariamente a partir da API do GitHub.