#forecasting Repositórios
Descubra 56 repositórios ativos de código aberto no GitHub marcados com #forecasting, acumulando um total de 186,967 estrelas (uma média de 3,338 por projeto). O líder deste tópico é meta/prophet, com 20,494 estrelas.
56 repositórios no total
Ferramenta para produzir previsões de alta qualidade para dados de séries temporais que possuem sazonalidade múltipla com crescimento linear ou não linear.
Scripts de Deep Learning de última geração organizados por modelos - fáceis de treinar e implantar com precisão e desempenho reprodutíveis em infraestrutura de nível empresarial.
Uma biblioteca Python para previsão fácil de usar e detecção de anomalias em séries temporais.
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.
Chronos: Modelos Pré-treinados para Previsão de Séries Temporais
Séries Temporais Timeseries Deep Learning Machine Learning Python Pytorch fastai | Biblioteca de Deep Learning de ponta para Séries Temporais e Sequências em Pytorch / fastai
Merlion: Uma Estrutura de Machine Learning para Inteligência em 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 🚀.
Uma lista com curadoria profissional de recursos incríveis (artigos, códigos, dados, etc.) sobre transformers em séries temporais.
[AAAI-23 Oral] Implementação oficial do artigo "Are Transformers Effective for Time Series Forecasting?"
Biblioteca PyTorch de aprendizado profundo para previsão de séries temporais, classificação e detecção de anomalias (originalmente para previsão de inundações).
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
Um pacote Python para previsão Bayesiana com design orientado a objetos e modelos probabilísticos subjacentes.
Uma biblioteca estatística projetada para preencher a lacuna nas capacidades de análise de séries temporais do Python, incluindo o equivalente à função auto.arima do R.
Treinamento Unificado de Transformers Universais de Previsão de Séries Temporais
Lag-Llama: Em direção a modelos de fundação para previsão probabilística de séries temporais
Uma lista profissional de Artigos, Tutoriais e Revisões sobre IA para Séries Temporais nas principais conferências e periódicos de IA.
Biblioteca Python para previsão de séries temporais usando modelos compatíveis com scikit-learn, métodos estatísticos e modelos fundamentais
Um toolkit para aprendizado de máquina e aprendizado profundo de séries temporais
Django Ledger é um sistema de contabilidade de partidas em dobro e um motor de análise financeira construído sobre o Django Web Framework.
Aprendizado de máquina de séries temporais em escala. Construído com Polars para extração de features e previsões em dados de painel com paralelismo embarassante.
Uma lista profissional sobre Modelos Grandes (de Linguagem) e Modelos Fundacionais (LLM, LM, FM) para Séries Temporais, Dados Espaço-Temporais e de Eventos.
tfts: Modelos de Deep Learning de Séries Temporais em TensorFlow
MOMENT: Uma Família de Modelos Fundamentais de Séries Temporais Abertas, ICML'24
Polymarket || Polymarket Bot || Polymarket Copy Bot || Polymarket Copy Trading Bot
Recursos sobre previsão de séries temporais e aprendizado profundo.
Luminaire é um pacote Python que fornece soluções impulsionadas por ML para monitorar dados de séries temporais.
Previsão Hierárquica Probabilística 👑 com métodos estatísticos e econométricos.
Compilação de exemplos notórios do mundo real de projetos de aprendizado de máquina fracassados
PyTorch LSTM-Autoencoder de Atenção Dupla para Séries Temporais Multivariadas
TimeCopilot: o framework agentivo de previsão. Desenvolvido com LLMs e modelos fundacionais de séries temporais, permite fazer previsões, validação cruzada e detecção de anomalias usando vários modelos fundacionais por meio de uma única API. De finanças e energia à análise da web, o TimeCopilot transforma consultas em linguagem natural em previsões prontas para produção.
Perguntas Frequentes
Qual é o repositório de #forecasting mais popular no GitHub?
O projeto de código aberto de #forecasting mais bem classificado no GitHub é meta/prophet, com 20,494 estrelas. Ferramenta para produzir previsões de alta qualidade para dados de séries temporais que possuem sazonalidade múltipla com crescimento linear ou não linear.
Quais linguagens de programação são mais usadas nos repositórios de #forecasting?
Entre os projetos de #forecasting mais bem classificados no GitHub, as linguagens de programação mais comuns são Python, Jupyter Notebook, R, TypeScript.
Como é calculada a classificação dos repositórios de #forecasting?
Acompanhamos 56 repositórios ativos de código aberto marcados com #forecasting (com mais de 500 estrelas), totalizando 186,967 estrelas e uma média de 3,338 estrelas por repositório. As classificações são atualizadas diariamente a partir da API do GitHub.