time-series

Un sistema de monitoreo y regulación ambiental

Este repositorio contiene una lista de lectura de artículos sobre predicción y pronóstico de series temporales (TSF) y espacio-temporales (STF). Estos artículos están categorizados principalmente según el tipo de modelo.

El toolkit de machine learning para el análisis de series temporales en Python

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

Una lista seleccionada profesionalmente de recursos increíbles (artículos, código, datos, etc.) sobre transformers en series temporales.

Lista de artículos, código y experimentos que utilizan deep learning para el pronóstico de series temporales

[ICLR 2024] Implementación oficial de " 🦙 Time-LLM: Time Series Forecasting by Reprogramming Large Language Models"

Servidor de Deep Learning y CLI para Torch y TensorRT

Algoritmos para la detección de valores atípicos, adversarios y de deriva

[AAAI-23 Oral] Implementación oficial del artículo "Are Transformers Effective for Time Series Forecasting?"

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

Acerca de la publicación del código de "Autoformer: Decomposition Transformers with Auto-Correlation for Long-Term Series Forecasting" (NeurIPS 2021), https://arxiv.org/abs/2106.13008

GridDB es una base de datos de código abierto de próxima generación que hace que las series temporales de IoT y Big Data sean rápidas y sencillas.

Framework de código abierto para procesar, supervisar y alertar sobre datos de series temporales.

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

Un paquete de Python para pronósticos bayesianos con diseño orientado a objetos y modelos probabilísticos internos.

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.

Crane es una plataforma FinOps para análisis y economía de recursos en la nube en clústeres de Kubernetes. El objetivo no es solo ayudar a los usuarios a gestionar los costos en la nube de manera más fácil, sino también garantizar la calidad de las aplicaciones.

[ICLR 2024] Implementación oficial de "TimeMixer: Decomposable Multiscale Mixing for Time Series Forecasting".

Una caja de herramientas de Python para obtener perspectivas geométricas sobre datos de alta dimensión

Un paquete Python para la clasificación de series temporales

Repositorio de código para redes de constantes de tiempo líquidas (LTC)

Un kit de herramientas y benchmark justo y escalable para la predicción de series temporales.

Base de datos de series temporales distribuida, nativa de la nube y de código abierto, con alto rendimiento, alta tasa de compresión y alta disponibilidad.

[Nominado a Mejor Artículo en PVLDB 2024] TFB: Hacia una evaluación comparativa integral y justa de métodos de predicción de series temporales

Una biblioteca estadística diseñada para llenar el vacío en las capacidades de análisis de series temporales de Python, incluyendo el equivalente a la función auto.arima de R.

Inteligencia Artificial, Machine Learning y Deep Learning asombrosos tal como los aprendemos. Notas de estudio y una lista curada de recursos asombrosos sobre estos temas.

Descubrimiento causal en Python. Aprendizaje de causalidad a partir de datos.

Generadores de datos sintéticos para datos tabulares y de series temporales

Lag-Llama: Hacia modelos fundacionales para la predicción probabilística de series temporales