timeseries

Implémentation du modèle Transformer (issu de l'article Attention is All You Need) appliquée aux séries temporelles.

tfts : modèles d'apprentissage profond pour séries temporelles dans TensorFlow

Une collection de méthodes de détection d'anomalies (iid/basées sur des points, graphes et séries temporelles) incluant l'apprentissage actif pour la détection/découverte d'anomalies, l'exploration de règles bayésiennes, et la description pour la diversité/explication/interprétabilité. Analyse de l'intégration des retours d'étiquetage avec des détecteurs d'ensemble et basés sur des arbres. Inclut des attaques adverses avec Graph Convolutional Network.

Le client InfluxDB pour Node.js et les navigateurs.

Implémentation en Golang d'un serveur Graphite/Carbon avec une architecture classique : Agent -> Cache -> Persister

Module Chart.js pour la représentation graphique de titres financiers.

Client Python pour InfluxDB 2.0

Prévision hiérarchique probabiliste avec des méthodes statistiques et économétriques.

Bibliothèque C++ header-only de rééchantillonnage audio professionnel de haute qualité. Très rapide, adaptée au rééchantillonnage audio et à l'interpolation de séries temporelles.

Exemple de prédiction de séries temporelles multivariées multiples avec des réseaux de neurones récurrents LSTM en Python avec Keras.

Workflows de données intuitifs

GSTools - Boîte à outils géostatistique : champs aléatoires, estimation de variogramme, modèles de covariance, krigeage et bien plus

Analyse de séries temporelles dans le `tidyverse`

Stockage de données rapide pour les séries temporelles Pandas

Dépôt de l'article "A Systematic Evaluation of Deep Anomaly Detection Methods for Time Series".

Détection d'anomalies en temps réel pour les métriques de séries temporelles. 11 ans d'évolution de la détection d'anomalies en production. Ensembles multi-algorithmes. Reconnaissance de motifs par apprentissage semi-supervisé et non supervisé. Analyse de corrélation. Apprend et s'améliore au fil du temps. Aucun GPU requis, peut tourner sur un VPS.

Modeltime intègre les modèles de prévision de séries temporelles et le machine learning dans un seul framework

Tracé dans le terminal utilisant des points braille.

Un paquet convivial pour l'analyse de séries temporelles Kepler & TESS en Python.

SiriDB est une base de données de séries temporelles hautement évolutive, robuste et ultra-rapide. Conçue à partir de zéro, SiriDB utilise un mécanisme unique pour fonctionner sans index global et permet l'ajout de ressources serveur à la volée. Le langage de requête unique de SiriDB inclut le regroupement dynamique de séries temporelles pour une analyse facilitée sur de grands volumes de données.