Awesome GitHub RepositoriesAnalysis Toolkits

This PyTorch-based deep learning library provides a framework for analyzing and forecasting temporal data. It implements specialized architectures for time series forecasting, anomaly detection, data imputation, and classification. The project distinguishes itself through the inclusion of zero-shot inference capabilities, allowing large-scale temporal models to be evaluated on unseen datasets without requiring task-specific fine-tuning. The framework covers a broad range of analytical capabilities, including the recovery of missing values in incomplete datasets, the identification of irregul

sktime is a machine learning framework for time series analysis. It provides a unified toolkit for implementing time series classification, forecasting, and anomaly detection using standardized machine learning interfaces. The library serves as a collection of tools for assigning categorical labels to temporal sequences, predicting future values based on historical patterns, and identifying outliers or unusual patterns within temporal data. The framework includes capabilities for panel-data handling and pipeline-based transformations. It utilizes a unified API wrapper and plugin-based model

Darts is a Python time series library designed for forecasting, anomaly detection, and the preprocessing of univariate and multivariate temporal data. It serves as a comprehensive framework for training and evaluating a wide range of statistical, machine learning, and deep learning models to predict future numerical values. The toolkit is distinguished by its support for global time series modeling, allowing a single model to be trained across multiple different series to leverage shared patterns. It also features a hierarchical time series manager to ensure consistency between aggregate and

tsai هي مكتبة تعلم عميق لتصنيف السلاسل الزمنية، والانحدار، والتنبؤ. بُنيت المكتبة على PyTorch و fastai، وتوفر إطار عمل لتعيين التصنيفات للبيانات المتسلسلة، والتنبؤ بالقيم المستقبلية في السلاسل أحادية أو متعددة المتغيرات، وتدريب التمثيلات على البيانات غير المصنفة من خلال التعلم الذاتي. تتميز المكتبة بقدرات متخصصة في الهندسة الزمنية والتحجيم. وتتضمن أدوات للترميز الزمني الدوري لالتقاط الأنماط الموسمية، وتقطيع النوافذ عبر الإنترنت لمعالجة مجموعات البيانات التي تتجاوز حجم الذاكرة المتاحة. كما تدعم خطوط أنابيب الإدخال متعددة الوسائط التي تجمع بين الميزات الفئوية الثابتة والسلاسل المستمرة الديناميكية. تغطي مجموعة الأدوات نطاقاً واسعاً من احتياجات المعالجة المسبقة والتقييم، بما في ذلك تجزئة النافذة المنزلقة، ومعالجة البيانات المفقودة، وتحويل إطارات البيانات الجدولية إلى موترات مهيكلة. يتم تقييم أداء النموذج من خلال التحقق عبر التمرير الأمامي وتحليل أهمية الميزات لضمان الاتساق الزمني.

GluonTS هي مكتبة سلاسل زمنية احتمالية وإطار عمل للتنبؤ بالتعلم العميق. توفر مجموعة أدوات لبناء وتدريب وتقييم بنى الشبكات العصبية التي تتنبأ بالقيم المستقبلية كتوزيعات احتمالية لتحديد عدم اليقين. يتميز المشروع بدعم التنبؤ بدون تدريب مسبق (zero-shot) ودمج نهج نمذجة متنوعة، بما في ذلك الشبكات العصبية الاحتمالية العميقة وأغلفة للمكتبات الإحصائية الخارجية مثل Prophet و R forecast. ينفذ بدائيات معمارية متخصصة مثل الالتفافات السببية والشبكات المتبقية القابلة للعكس لمنع تسرب المعلومات وتعيين التمثيلات الكامنة في توزيعات احتمالية صالحة. يغطي إطار العمل سطح هندسة بيانات شاملاً، بما في ذلك توسيع السلاسل الزمنية، والتحويلات التقابلية، والنمذجة الهرمية. يستخدم Apache Arrow و Parquet لبث مجموعة البيانات عالي الأداء وإدارة الوصول العشوائي. لتقييم النموذج، يتضمن جناح تقييم لقياس دقة التنبؤ والتغطية الاحتمالية باستخدام مقاييس مثل خسارة الكمية ودرجات رتبة الاحتمال المستمرة. تدعم المكتبة نشر النموذج من خلال التكامل مع Amazon SageMaker.

هذا إطار عمل للتعلم العميق للتنبؤ بالقيم المستقبلية في البيانات المتسلسلة باستخدام معماريات PyTorch. يوفر مجموعة أدوات للتنبؤ بالسلاسل الزمنية طويلة المدى والاحتمالية، مع دمج خط أنابيب بيانات لتحويل إطارات البيانات الجدولية إلى تسلسلات لتدريب التعلم العميق الخاضع للإشراف. تستخدم المكتبة غلاف تدريب لتوسيع نطاق تنفيذ النموذج عبر وحدات المعالجة المركزية (CPUs) ووحدات معالجة الرسومات (GPUs). تدعم توليد توزيعات احتمالية للنتائج المستقبلية بدلاً من تقديرات النقطة الواحدة لتحديد عدم اليقين في التنبؤ. يتضمن إطار العمل قدرات لتنفيذ نماذج التنبؤ، وتحسين المعلمات الفائقة، وتقييم الدقة من خلال مقاييس متعددة الآفاق. كما يوفر طرقًا لقياس أداء المعماريات المعقدة مقابل نماذج أساسية بسيطة.

statsforecast هي مكتبة تنبؤ بالسلاسل الزمنية إحصائية عالية الأداء مصممة لإنشاء تنبؤات نقطية وفترات تنبؤ. تعمل كإطار عمل موزع للسلاسل الزمنية يستخدم محرك تنبؤ قائم على C ومحدد نماذج آلي لتحديد وملاءمة النموذج الإحصائي الأمثل لكل سلسلة فريدة في مجموعة البيانات. يتضمن النظام أيضاً كاشف شذوذ للسلاسل الزمنية لتحديد نقاط البيانات غير العادية من خلال مقارنة القيم المرصودة مقابل فترات التنبؤ الاحتمالية. يتميز المشروع بقدرته على التعامل مع التنبؤ المتوازي على نطاق واسع لملايين السلاسل الفردية. ويحقق ذلك من خلال إطار عمل حوسبة موزع، وتنفيذ متوازي متعدد النواة، ونوى C مجمعة تسرع منطق ARIMA الأساسي والتنعيم الأسي. كما يعمل النظام على تحسين المعالجة واسعة النطاق باستخدام تخطيط بيانات طويل التنسيق وخط أنابيب بيانات التقييم الكسول لتقليل حمل الذاكرة. توفر المكتبة مجموعة شاملة من النماذج، بما في ذلك AutoARIMA، وطرق تنعيم أسي متنوعة للطلب المتقطع أو الموسمي، وتحليل Theta، ونمذجة تقلب GARCH للمخاطر المالية. وتغطي مجالات قدرات أوسع مثل التنبؤ متعدد المتغيرات مع متغيرات خارجية، وتحليل السلاسل الزمنية، وتقييم النموذج عبر التحقق المتبادل التاريخي وتحليل النافذة المنزلقة. تتكامل المكتبة مع هياكل بيانات عالية الأداء مثل Polars وتوفر أدوات لخدمة النماذج المحفوظة كنقاط نهاية REST للتنبؤات التي يمكن الوصول إليها عبر الشبكة.

Neuralforecast هي مكتبة تنبؤ بالسلاسل الزمنية العصبية مصممة للتنبؤ بالقيم المستقبلية لسلسلة واحدة أو سلاسل متعددة باستخدام بنيات تعلم الآلة العميقة. تعمل كإطار عمل موزع لتنبؤ تعلم الآلة يتيح تدريب النماذج العالمية عبر سلاسل زمنية متعددة لتحسين التعميم من خلال التعلم المتقاطع. يتميز المشروع كأداة تنبؤ احتمالية تنتج فترات عدم اليقين وتوزيعات الاحتمالات بدلاً من تقديرات النقطة الواحدة. يتضمن أيضاً مصلح تنبؤ هرمي لضمان بقاء التنبؤات عبر مستويات تنظيمية أو جغرافية مختلفة متسقة مع مجاميعها الإجمالية. تغطي المكتبة مجموعة واسعة من القدرات، بما في ذلك دمج المتغيرات الخارجية، وتحسين المعلمات الفائقة الآلي، والتعلم بالنقل. توفر أدوات للتحقق من صحة النموذج عبر التحقق المتقاطع وتقنيات النافذة المنزلقة، بالإضافة إلى القدرة على توزيع أحمال عمل التدريب عبر مجموعات الحوسبة باستخدام Spark. يدعم النظام استمرارية النموذج عبر تكامل التخزين السحابي ويوفر آليات لتفسير مكونات التنبؤ مثل الاتجاه والموسمية.

Deep learning PyTorch library for time series forecasting, classification, and anomaly detection (originally for flood forecasting).

a Python toolbox for machine learning on Partially-Observed Time Series

A toolkit for time series machine learning and deep learning

RNAseq analysis notes from Ming Tang

license-image: https://img.shields.io/badge/License-MIT-blue.svg license-url: https://opensource.org/licenses/MIT pypi-image: https://badge.fury.io/py/tfts.svg pypi-url: https://pypi.python.org/pypi/tfts pepy-image: https://pepy.tech/badge/tfts/month pepy-url:…

Fost - Framework of Fost - Quick Start - Installation - Train with FOST - Data Format - Examples - Contact Us