anomaly-detection

La bibliothèque open source de Cleanlab est le package d'IA centré sur les données standard pour la qualité des données et l'apprentissage automatique avec des données et des étiquettes réelles et imparfaites.

Un framework unifié pour l'apprentissage automatique appliqué aux séries temporelles.

Une bibliothèque Python pour la détection d'anomalies sur des données tabulaires, séries temporelles, graphes, textes, images et audio. Inclut plus de 60 détecteurs, une orchestration ADEngine basée sur des benchmarks et un flux de travail agentique pour les agents IA.

Plateforme AutoML open source et low-code pour Python. PyCaret 4.0 : moteur natif sklearn + panneau de contrôle React.

Bibliothèque Python pour la prévision et la détection d'anomalies conviviale sur des séries temporelles.

Livres, articles, vidéos et boîtes à outils sur la détection d'anomalies. Dernière mise à jour fin 2025 pour les travaux sur les LLM et VLM !

Bibliothèque de détection d'anomalies incluant des algorithmes de pointe et des fonctionnalités telles que la gestion d'expériences, l'optimisation d'hyperparamètres et l'inférence en périphérie.

STUMPY est une bibliothèque Python puissante et évolutive pour l'analyse moderne de séries temporelles.

TimeGPT-1 : modèle de fondation pré-entraîné pour les séries temporelles, prêt pour la production, dédié à la prévision et à la détection d'anomalies

Liste d'articles et jeux de données pour la détection industrielle d'anomalies et de défauts sur images (mise à jour continue).

Liste d'outils et de jeux de données pour la détection d'anomalies sur des données de séries temporelles.

Une vaste collection de jeux de données de journaux système pour l'analyse de logs pilotée par l'IA [ISSRE'23].

Tutoriels Jupyter Notebook sur la résolution de problèmes réels avec le Machine Learning et le Deep Learning en utilisant PyTorch. Sujets : détection de visages avec Detectron 2, détection d'anomalies de séries temporelles avec des auto-encodeurs LSTM, détection d'objets avec YOLO v5, création de votre premier réseau de neurones, prévision de séries temporelles pour les cas quotidiens de coronavirus, analyse de sentiment avec BERT

Collection de modèles d'IA pré-entraînés à la pointe de la technologie pour le SDK ailia.

Bibliothèque PyTorch de deep learning pour la prévision de séries temporelles, la classification et la détection d'anomalies (initialement pour la prévision des crues).

Bibliothèque de haut niveau pour l'apprentissage automatique et l'apprentissage profond en PHP.

Boîte à outils Python pour l'apprentissage automatique et profond axé sur la réalité et l'exploration de données sur des séries temporelles partiellement observées, incluant plus de 50 modèles de réseaux neuronaux SOTA pour des tâches d'analyse scientifique (imputation, classification, clustering, prévision, détection d'anomalies, nettoyage) sur des séries temporelles multivariées industrielles échantillonnées irrégulièrement avec des valeurs manquantes NaN.

Une boîte à outils d'apprentissage automatique pour l'analyse de logs [ICSE'19, DSN'16].

Une liste organisée de documents et ressources sur la détection de fraude, d'anomalies et de valeurs aberrantes basés sur les graphes et les Transformers

Compilation de ressources d'apprentissage sur l'AIOps, contributions et étoiles bienvenues pour compléter ce dépôt.

Une bibliothèque Python pour la détection de valeurs aberrantes (détection d'anomalies) dans les graphes

Boîte à outils d'apprentissage automatique pour la détection d'anomalies basée sur les logs [ISSRE'16]

Bibliothèque de détection d'anomalies non supervisée pour séries temporelles.

Application d'alertes et de rapports Kibana pour Elasticsearch.

Bibliothèque de détection d'anomalies et de corrélation

Un toolkit Python pour la détection d'anomalies basée sur des règles ou non supervisée dans les séries temporelles.

Framework utilisant des LSTM pour détecter des anomalies dans des données de séries temporelles multivariées. Inclut des données d'anomalies spatiales et des expériences des missions Mars Science Laboratory et SMAP.

Une liste exhaustive des derniers articles et codes sur les séries temporelles issus des meilleures conférences en IA.

Benchmarking de la détection généralisée hors distribution (OOD)

Résumé des travaux sur les séries temporelles dans les conférences informatiques majeures (NIPS, ICML, ICLR, KDD, AAAI, WWW, IJCAI, CIKM, ICDM, ICDE, etc.)