anomaly-detection

Thư viện mã nguồn mở của Cleanlab là gói AI hướng dữ liệu tiêu chuẩn dành cho chất lượng dữ liệu và machine learning với các dữ liệu và nhãn thực tế, hỗn độn.

Một framework thống nhất cho học máy với chuỗi thời gian (time series)

Thư viện Python dùng để phát hiện bất thường trên dữ liệu dạng bảng, chuỗi thời gian, đồ thị, văn bản, hình ảnh và âm thanh. Hơn 60 bộ phát hiện, điều phối ADEngine dựa trên benchmark và quy trình làm việc tự động cho các AI agent.

Nền tảng AutoML mã nguồn mở, low-code cho Python. PyCaret 4.0: engine gốc sklearn + bảng điều khiển React.

Thư viện Python hỗ trợ dự báo và phát hiện bất thường trên chuỗi thời gian một cách thân thiện với người dùng.

Sách, bài báo, video và hộp công cụ liên quan đến Anomaly detection. Cập nhật mới nhất cuối năm 2025 cho các nghiên cứu LLM và VLM!

Thư viện phát hiện bất thường bao gồm các thuật toán tiên tiến và tính năng như quản lý thí nghiệm, tối ưu hóa siêu tham số và suy luận biên.

STUMPY là một thư viện Python mạnh mẽ và có khả năng mở rộng để phân tích chuỗi thời gian hiện đại

TimeGPT-1: Mô hình nền tảng chuỗi thời gian được huấn luyện trước sẵn sàng cho sản xuất để dự báo và phát hiện bất thường. Transformer huấn luyện trước tạo sinh cho chuỗi thời gian được đào tạo trên hơn 100 tỷ điểm dữ liệu. Khả năng dự đoán chính xác các lĩnh vực khác nhau như bán lẻ, điện lực, tài chính và IoT chỉ với vài dòng mã 🚀.

Danh sách tài liệu nghiên cứu và tập dữ liệu về phát hiện bất thường/lỗi hình ảnh công nghiệp (đang cập nhật).

Danh sách các công cụ và tập dữ liệu để phát hiện bất thường trên dữ liệu chuỗi thời gian.

Bộ sưu tập lớn các tập dữ liệu nhật ký hệ thống dành cho phân tích nhật ký hướng AI [ISSRE'23]

Các hướng dẫn Jupyter Notebook về giải quyết vấn đề thực tế bằng Machine Learning và Deep Learning sử dụng PyTorch. Các chủ đề: Nhận diện khuôn mặt với Detectron 2, Phát hiện bất thường chuỗi thời gian với LSTM Autoencoders, Phát hiện đối tượng với YOLO v5, Xây dựng mạng neural đầu tiên, Dự báo chuỗi thời gian cho ca nhiễm Coronavirus hàng ngày, Phân tích cảm sentiment với BERT

Bộ sưu tập các mô hình AI tiên tiến, đã được huấn luyện sẵn cho ailia SDK

Thư viện PyTorch học sâu dành cho dự báo chuỗi thời gian, phân loại và phát hiện bất thường (ban đầu dành cho dự báo lũ lụt).

Thư viện học máy và học sâu cấp cao dành cho ngôn ngữ PHP.

Một bộ công cụ/thư viện Python dành cho học máy/học sâu hướng thực tế & khai thác dữ liệu trên chuỗi thời gian quan sát một phần, với hơn 50 mô hình mạng nơ-ron SOTA cho các tác vụ phân tích khoa học (gán giá trị, phân loại, phân cụm, dự báo, phát hiện bất thường, làm sạch) trên chuỗi thời gian đa biến không hoàn chỉnh được lấy mẫu bất thường trong công nghiệp với các giá trị thiếu NaN

Bộ công cụ học máy dùng để phân tích cú pháp nhật ký (log parsing) [ICSE'19, DSN'16]

Danh sách chọn lọc các bài báo & tài nguyên về phát hiện gian lận, bất thường và ngoại lệ dựa trên Graph/Transformer.

Tổng hợp tài liệu học tập AIOps, hoan nghênh mọi người cùng hoàn thiện kho lưu trữ này và đánh dấu sao (star)

Thư viện Python dùng để phát hiện điểm ngoại lai trên đồ thị (Phát hiện bất thường)

Bộ công cụ học máy phát hiện bất thường dựa trên nhật ký [ISSRE'16]

Thư viện phát hiện bất thường chuỗi thời gian phi giám sát

Ứng dụng Cảnh báo & Báo cáo Kibana cho Elasticsearch

Thư viện phát hiện bất thường và tương quan

Bộ công cụ Python phát hiện bất thường dựa trên quy tắc/không giám sát trong chuỗi thời gian

Một framework sử dụng LSTM để phát hiện bất thường trong dữ liệu chuỗi thời gian đa biến. Bao gồm dữ liệu bất thường của tàu vũ trụ và các thí nghiệm từ sứ mệnh Mars Science Laboratory và SMAP.

Danh sách tổng hợp các bài báo và mã nguồn về chuỗi thời gian mới nhất từ các hội nghị AI hàng đầu.

Đánh giá chuẩn cho việc phát hiện phân phối tổng quát ngoài tập dữ liệu (Generalized Out-of-Distribution Detection)

Tóm tắt công việc về chuỗi thời gian tại các hội nghị hàng đầu về Khoa học Máy tính (NIPS, ICML, ICLR, KDD, AAAI, WWW, IJCAI, CIKM, ICDM, ICDE, v.v.)