forecasting

Outil de génération de prévisions de haute qualité pour les séries temporelles présentant une saisonnalité multiple avec une croissance linéaire ou non linéaire.

Scripts de Deep Learning de pointe organisés par modèles - faciles à entraîner et à déployer avec une précision et des performances reproductibles sur une infrastructure de niveau entreprise.

Statsmodels : modélisation statistique et économétrie en Python

ML rapide et précis en 3 lignes de code.

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

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

Postgres avec GPU pour les applications ML/IA

Le dépôt GitHub pour l'article "Informer" accepté à AAAI 2021.

Bibliothèque de Deep Learning de pointe pour les séries temporelles et les séquences dans Pytorch / fastai.

Chronos : modèles pré-entraînés pour la prévision de séries temporelles

Modélisation probabiliste de séries temporelles en Python.

Prévision de séries temporelles avec PyTorch.

Prévisions ultra-rapides avec des modèles statistiques et économétriques.

NeuralProphet : un package de prévision simple.

Algorithmes de prévision neuronale évolutifs et conviviaux.

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

Une liste organisée de ressources (articles, code, données, etc.) sur les transformers appliqués aux séries temporelles.

[AAAI-23 Oral] Implémentation officielle de l'article "Are Transformers Effective for Time Series Forecasting?"

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

Un package Python pour la prévision bayésienne avec une conception orientée objet et des modèles probabilistes sous-jacents.

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 bibliothèque statistique conçue pour combler les lacunes de Python en matière d'analyse de séries temporelles, incluant l'équivalent de la fonction auto.arima de R.

Une liste professionnelle d'articles, de tutoriels et d'études sur l'IA pour les séries temporelles, issus des meilleures conférences et revues d'IA.

Lag-Llama : Vers des modèles de fondation pour la prévision probabiliste de séries temporelles

Entraînement unifié de Transformers pour la prévision de séries temporelles universelles.

Modèles ARCH en Python.

Bibliothèque Python pour la prévision de séries temporelles utilisant des modèles compatibles avec scikit-learn, des méthodes statistiques et des modèles de fondation.

Une boîte à outils pour l'apprentissage automatique et l'apprentissage profond sur les séries temporelles

Prévision automatisée de séries temporelles.

Django Ledger est un système de comptabilité en partie double et un moteur d'analyse financière construit sur le framework web Django.