time-series

Un système de surveillance et de régulation environnementale

Ce dépôt contient une liste de lecture d'articles sur la prévision de séries temporelles (TSF) et la prévision spatio-temporelle (STF). Ces articles sont principalement classés par type de modèle.

La boîte à outils d'apprentissage automatique pour l'analyse de séries temporelles en Python.

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

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

Liste d'articles, de codes et d'expériences utilisant le deep learning pour la prévision de séries temporelles

[ICLR 2024] Implémentation officielle de "Time-LLM : prévision de séries temporelles par reprogrammation de grands modèles de langage".

Serveur et interface en ligne de commande (CLI) de Deep Learning pour Torch et TensorRT

Algorithmes pour la détection des valeurs aberrantes, des attaques adverses et de la dérive

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

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

Publication du code pour "Autoformer: Decomposition Transformers with Auto-Correlation for Long-Term Series Forecasting" (NeurIPS 2021), https://arxiv.org/abs/2106.13008

GridDB est une base de données open source de nouvelle génération qui rend les séries temporelles IoT et le big data rapides et faciles.

Framework open source pour le traitement, la surveillance et l'alerte sur les données de séries temporelles.

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.

Crane est une plateforme FinOps pour l'analyse des ressources cloud et l'économie dans les clusters Kubernetes. L'objectif est d'aider les utilisateurs à gérer plus facilement les coûts cloud tout en garantissant la qualité des applications.

[ICLR 2024] Implémentation officielle de "TimeMixer: Decomposable Multiscale Mixing for Time Series Forecasting"

Une boîte à outils Python pour obtenir des perspectives géométriques sur des données de haute dimension.

Package Python pour la classification de séries temporelles

Dépôt de code pour les réseaux à constante de temps liquide (LTC).

Un benchmark et une boîte à outils équitables et évolutifs pour la prévision de séries temporelles.

Une base de données de séries temporelles distribuée, open source et cloud-native, offrant des performances élevées, un taux de compression élevé et une haute disponibilité.

[Nomination meilleur article PVLDB 2024] TFB : Vers une évaluation complète et équitable des méthodes de prévision de séries temporelles.

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.

Ressources sur l'intelligence artificielle, le machine learning et le deep learning. Notes d'étude et liste organisée de ressources sur ces sujets

Découverte causale en Python. Apprendre la causalité à partir des données.

Générateurs de données synthétiques pour données tabulaires et séries temporelles

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