#time-series Repositórios
Descubra 143 repositórios ativos de código aberto no GitHub marcados com #time-series, acumulando um total de 584,542 estrelas (uma média de 4,087 por projeto). O líder deste tópico é redis/redis, com 77,583 estrelas.
143 repositórios no total
Para desenvolvedores que estão construindo aplicações orientadas a dados em tempo real, o Redis é o cache, servidor de estrutura de dados e motor de consulta de documentos e vetores preferido, mais rápido e com mais recursos.
Armazenamento de dados escalável para métricas, eventos e análise em tempo real
Banco de dados de série temporal de alto desempenho e escalável, projetado para cenários de IoT Industrial (IIoT)
Um banco de dados de séries temporais para análise em tempo real de alto desempenho empacotado como uma extensão Postgres
Agente para coleta, processamento, agregação e escrita de métricas, logs e outros dados arbitrários.
QuestDB é um banco de dados de séries temporais de alto desempenho e código aberto
Sistema de alertas de código aberto e auto-hospedado para métricas, logs e bancos de dados. Inclui um agente de IA e um servidor MCP integrados.
Uma Biblioteca para Modelos Avançados de Séries Temporais Profundas para Análise Geral de Séries Temporais.
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.
O mecanismo de pesquisa que oferece a você uma vantagem injusta. Teste milhares de ideias de trading antes que os outros terminem uma.
Uma biblioteca Python para previsão fácil de usar e detecção de anomalias em séries temporais.
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
CrateDB é um banco de dados SQL distribuído e escalável para armazenar e analisar grandes volumes de dados em tempo quase real, mesmo com consultas complexas. É compatível com PostgreSQL e baseado no Lucene.
Coleção de tópicos úteis de ciência de dados, juntamente com artigos, vídeos e código
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 🚀.
Este repositório contém uma lista de leitura de artigos sobre Previsão/Predição de Séries Temporais (TSF) e Previsão/Predição Espaço-Temporal (STF). Esses artigos são categorizados principalmente de acordo com o tipo de modelo.
O kit de ferramentas de aprendizado de máquina para análise de séries temporais em Python
Lista de ferramentas e conjuntos de dados para detecção de anomalias em dados de séries temporais.
Uma lista com curadoria profissional de recursos incríveis (artigos, códigos, dados, etc.) sobre transformers em séries temporais.
Lista de artigos, códigos e experimentos usando aprendizado profundo para previsão de séries temporais
[ICLR 2024] Implementação oficial de " 🦙 Time-LLM: Time Series Forecasting by Reprogramming Large Language Models"
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
GridDB é um banco de dados de código aberto de próxima geração que torna a série temporal de IoT e big data rápida e fácil.
Sobre o lançamento do código para "Autoformer: Decomposition Transformers with Auto-Correlation for Long-Term Series Forecasting" (NeurIPS 2021), https://arxiv.org/abs/2106.13008
[AAAI-23 Oral] Implementação oficial do artigo "Are Transformers Effective for Time Series Forecasting?"
Framework de código aberto para processamento, monitoramento e alerta de dados de séries temporais
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.
Crane é uma Plataforma FinOps para Análise e Economia de Recursos de Nuvem em clusters Kubernetes. O objetivo não é apenas ajudar os usuários a gerenciar os custos de nuvem com mais facilidade, mas também garantir a qualidade das aplicações.
Perguntas Frequentes
Qual é o repositório de #time-series mais popular no GitHub?
O projeto de código aberto de #time-series mais bem classificado no GitHub é redis/redis, com 77,583 estrelas. Para desenvolvedores que estão construindo aplicações orientadas a dados em tempo real, o Redis é o cache, servidor de estrutura de dados e motor de consulta de documentos e vetores preferido, mais rápido e com mais recursos.
Quais linguagens de programação são mais usadas nos repositórios de #time-series?
Entre os projetos de #time-series mais bem classificados no GitHub, as linguagens de programação mais comuns são Python, Jupyter Notebook, Go, C.
Como é calculada a classificação dos repositórios de #time-series?
Acompanhamos 143 repositórios ativos de código aberto marcados com #time-series (com mais de 500 estrelas), totalizando 584,542 estrelas e uma média de 4,087 estrelas por repositório. As classificações são atualizadas diariamente a partir da API do GitHub.