forecasting

Ferramenta para produzir previsões de alta qualidade para dados de séries temporais que possuem múltiplos padrões sazonais com crescimento linear ou não linear.

Scripts de Deep Learning de última geração organizados por modelos - fáceis de treinar e implantar com precisão e desempenho reproduzíveis em infraestrutura de nível empresarial.

Statsmodels: modelagem estatística e econometria em Python

ML rápido e preciso em 3 linhas de código

Um framework unificado para aprendizado de máquina com séries temporais

Uma biblioteca Python para previsão e detecção de anomalias em séries temporais de forma intuitiva.

Postgres com suporte a GPUs para aplicações de ML/IA.

Repositório do GitHub para o artigo "Informer" aceito na AAAI 2021.

Deep Learning para séries temporais, Machine Learning, Python, Pytorch, fastai | Biblioteca de Deep Learning de última geração para séries temporais e sequências em Pytorch / fastai.

Chronos: Modelos pré-treinados para previsão de séries temporais.

Modelagem probabilística de séries temporais em Python.

Previsão de séries temporais com PyTorch

Previsão extremamente rápida com modelos estatísticos e econométricos.

NeuralProphet: um pacote simples para previsão.

Algoritmos de previsão neural escaláveis e fáceis de usar.

TimeGPT-1: Modelo de fundação de séries temporais pré-treinado pronto para produção para previsão e detecção de anomalias. Transformer generativo pré-treinado para séries temporais treinado em mais de 100 bilhões de pontos de dados. É capaz de prever com precisão vários domínios, como varejo, eletricidade, finanças e IoT com apenas algumas linhas de código.

Uma lista curada profissionalmente de recursos incríveis (artigos, código, dados, etc.) sobre transformers em séries temporais.

[AAAI-23 Oral] Implementação oficial do artigo "Are Transformers Effective for Time Series Forecasting?"

Biblioteca PyTorch de deep learning para previsão de séries temporais, classificação e detecção de anomalias (originalmente para previsão de inundações).

Um pacote Python para previsão bayesiana com design orientado a objetos e modelos probabilísticos subjacentes.

Um kit de ferramentas/biblioteca Python para aprendizado de máquina/profundo e mineração de dados centrados na realidade em séries temporais parcialmente observadas, com mais de 50 modelos de redes neurais SOTA para tarefas de análise científica (imputação, classificação, agrupamento, previsão, detecção de anomalias, limpeza) em séries temporais multivariadas industriais irregularmente amostradas com valores ausentes NaN.

Uma biblioteca estatística projetada para preencher a lacuna nas capacidades de análise de séries temporais do Python, incluindo o equivalente à função auto.arima do R.

Uma lista profissional de artigos, tutoriais e pesquisas sobre IA para séries temporais em conferências e periódicos de IA de alto nível.

Lag-Llama: Rumo a modelos de fundação para previsão probabilística de séries temporais

Treinamento unificado de Transformers para previsão de séries temporais universais.

Modelos ARCH em Python

Biblioteca Python para previsão de séries temporais usando modelos compatíveis com scikit-learn, métodos estatísticos e modelos de fundação.

Um kit de ferramentas para aprendizado de máquina e aprendizado profundo em séries temporais.

Previsão automatizada de séries temporais

Django Ledger é um sistema de contabilidade de partidas dobradas e motor de análise financeira construído sobre o framework web Django.