timeseries

Implementación del modelo Transformer (originalmente de Attention is All You Need) aplicado a series temporales.

tfts: Modelos de aprendizaje profundo para series temporales en TensorFlow

Una colección de métodos de detección de anomalías (basados en puntos/iid, grafos y series temporales) que incluye aprendizaje activo para la detección/descubrimiento de anomalías, minería de reglas bayesianas y descripción para diversidad/explicación/interpretabilidad. Análisis de incorporación de retroalimentación de etiquetas con detectores de conjunto y basados en árboles. Incluye ataques adversarios con Graph Convolutional Network.

Cliente de InfluxDB para Node.js y navegadores

Implementación en Golang de un servidor Graphite/Carbon con arquitectura clásica: Agente -> Caché -> Persistidor.

Módulo de Chart.js para gráficos de valores financieros.

Cliente de Python para InfluxDB 2.0

Pronóstico jerárquico probabilístico 👑 mediante métodos estadísticos y econométricos.

Biblioteca C++ de solo cabecera para remuestreo de audio profesional de alta calidad y conversión de frecuencia de muestreo. Muy rápida, tanto para remuestreo de audio como para interpolación de series temporales.

Ejemplo de predicción de múltiples series temporales multivariadas con redes neuronales recurrentes LSTM en Python usando Keras.

Flujos de trabajo de datos intuitivos.

Código simple y flexible para arquitecturas de computación de reservorio como Echo State Networks.

Análisis de series temporales en el `tidyverse`.

Almacén de datos rápido para series temporales de Pandas

Repositorio del artículo "A Systematic Evaluation of Deep Anomaly Detection Methods for Time Series".

Detección de anomalías en tiempo real para métricas de series temporales. 11 años de evolución en detección de anomalías en producción. Conjuntos multi-algoritmo. Reconocimiento de patrones mediante aprendizaje semisupervisado y no supervisado. Análisis de correlación. Aprende y mejora con el tiempo. No requiere GPU, puede ejecutarse en un VPS.

Modeltime integra modelos de pronóstico de series temporales y machine learning en un solo framework

Grafica en la terminal usando puntos braille.

Un paquete amigable para el análisis de series temporales de Kepler y TESS en Python.

SiriDB es una base de datos de series temporales altamente escalable, robusta y extremadamente rápida. Construida desde cero, SiriDB utiliza un mecanismo único para operar sin un índice global y permite añadir recursos de servidor sobre la marcha. El lenguaje de consulta único de SiriDB incluye la agrupación dinámica de series temporales para un análisis sencillo de grandes cantidades de datos.