anomaly-detection

La librería de código abierto de Cleanlab es el paquete estándar de IA centrada en datos para la calidad de datos y el aprendizaje automático con datos y etiquetas del mundo real desordenados.

Un framework unificado para aprendizaje automático con series temporales

Una biblioteca de Python para la detección de anomalías en datos tabulares, de series temporales, de grafos, de texto, de imágenes y de audio. Más de 60 detectores, orquestación ADEngine respaldada por benchmarks y un flujo de trabajo agéntico para agentes de IA.

Plataforma AutoML de código abierto y bajo código para Python. PyCaret 4.0: motor nativo de sklearn + panel de control en React.

Una librería de Python para predicción fácil de usar y detección de anomalías en series temporales.

Libros, artículos, videos y cajas de herramientas relacionados con la detección de anomalías. ¡Última actualización a finales de 2025 para trabajos de LLM y VLM!

Una biblioteca de detección de anomalías que incluye algoritmos de vanguardia y características como gestión de experimentos, optimización de hiperparámetros e inferencia en el borde.

STUMPY es una librería de Python potente y escalable para el análisis moderno de series temporales

TimeGPT-1: modelo fundacional de series temporales preentrenado y listo para producción para pronósticos y detección de anomalías. Transformer generativo preentrenado para series temporales entrenado con más de 100 mil millones de puntos de datos. Es capaz de predecir con precisión varios dominios como comercio minorista, electricidad, finanzas e IoT con solo unas pocas líneas de código 🚀.

Lista de artículos y conjuntos de datos para detección de anomalías y defectos en imágenes industriales (en actualización).

Lista de herramientas y conjuntos de datos para la detección de anomalías en datos de series temporales.

Una gran colección de conjuntos de datos de registros del sistema para análisis de logs impulsados por IA [ISSRE'23]

Tutoriales de Jupyter Notebook para resolver problemas del mundo real con Machine Learning y Deep Learning usando PyTorch. Temas: Detección de rostros con Detectron 2, detección de anomalías en series temporales con Autoencoders LSTM, detección de objetos con YOLO v5, construye tu primera red neuronal, pronóstico de series temporales para casos diarios de coronavirus, análisis de sentimientos con BER

La colección de modelos de IA preentrenados y de última generación para ailia SDK

Biblioteca de PyTorch de aprendizaje profundo para predicción de series temporales, clasificación y detección de anomalías (originalmente para predicción de inundaciones).

Una biblioteca de alto nivel de aprendizaje automático y aprendizaje profundo para el lenguaje PHP.

Una caja de herramientas/biblioteca de Python para aprendizaje automático/profundo y minería de datos centrados en la realidad sobre series temporales parcialmente observadas, con más de 50 modelos de redes neuronales SOTA para tareas de análisis científico (imputación, clasificación, agrupamiento, pronóstico, detección de anomalías, limpieza) en series temporales multivariadas industriales incompletas y muestreadas irregularmente con valores faltantes NaN.

Un conjunto de herramientas de machine learning para el análisis de logs [ICSE'19, DSN'16]

Una lista curada de artículos y recursos sobre detección de fraudes, anomalías y valores atípicos basados en grafos y Transformers.

Recopilación de materiales de estudio de AIOps, bienvenidos a completar este repositorio, bienvenidos a dar una estrella.

Una biblioteca de Python para la detección de valores atípicos en grafos (detección de anomalías).

Kit de herramientas de aprendizaje automático para la detección de anomalías basada en registros [ISSRE'16]

Biblioteca de detección de anomalías en series temporales no supervisada

Aplicación de alertas e informes de Kibana para Elasticsearch

Biblioteca de detección y correlación de anomalías.

Un toolkit de Python para la detección de anomalías basada en reglas o no supervisada en series temporales

Un framework para utilizar LSTM en la detección de anomalías en series temporales multivariantes. Incluye datos de anomalías de naves espaciales y experimentos de las misiones Mars Science Laboratory y SMAP.

Una lista destacada de los artículos y códigos más recientes sobre series temporales de los principales eventos de IA.

Evaluación comparativa de detección generalizada fuera de distribución (OOD).

Resumen de trabajos sobre series temporales en las principales conferencias de informática (NIPS, ICML, ICLR, KDD, AAAI, WWW, IJCAI, CIKM, ICDM, ICDE, etc.)