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 est une bibliothèque de deep learning pour la classification, la régression et la prévision de séries temporelles. Basée sur PyTorch et fastai, elle fournit un framework pour étiqueter des données séquentielles, prédire des valeurs futures dans des séquences univariées ou multivariées, et entraîner des représentations sur des données non étiquetées via l'apprentissage auto-supervisé. La bibliothèque se distingue par ses capacités spécialisées d'ingénierie temporelle et de mise à l'échelle. Elle inclut des outils d'encodage temporel cyclique pour capturer les tendances saisonnières et le découpage de fenêtres en ligne pour traiter des jeux de données dépassant la mémoire disponible. Elle prend également en charge des pipelines d'entrée multimodaux combinant des caractéristiques catégorielles statiques et des séquences continues dynamiques. La boîte à outils couvre un large éventail de besoins en prétraitement et évaluation, notamment la segmentation par fenêtre glissante, l'imputation de données manquantes et la conversion de dataframes tabulaires en tenseurs structurés. La performance des modèles est évaluée par validation croisée glissante et analyse de l'importance des caractéristiques pour garantir la cohérence temporelle.

GluonTS est une bibliothèque de séries temporelles probabilistes et un framework de prévision par deep learning. Il fournit une boîte à outils pour construire, entraîner et évaluer des architectures de réseau neuronal qui prédisent les valeurs futures sous forme de distributions de probabilité pour quantifier l'incertitude. Le projet se distingue en prenant en charge la prévision zero-shot et en intégrant diverses approches de modélisation, y compris les réseaux neuronaux probabilistes profonds et des wrappers pour des bibliothèques statistiques externes telles que Prophet et R forecast. Il implémente des primitives architecturales spécialisées comme les convolutions causales et les réseaux résiduels inversibles pour empêcher la fuite d'informations et mapper les représentations latentes en distributions de probabilité valides. Le framework couvre une surface d'ingénierie de données complète, y compris la mise à l'échelle des séries temporelles, les transformations bijectives et la modélisation hiérarchique. Il utilise Apache Arrow et Parquet pour la diffusion d'ensembles de données haute performance et la gestion de l'accès aléatoire. Pour l'évaluation des modèles, il inclut une suite d'évaluation pour mesurer la précision des prévisions et la couverture probabiliste en utilisant des métriques comme la perte quantile et les scores de probabilité de rang continu. La bibliothèque prend en charge le déploiement de modèles via l'intégration avec Amazon SageMaker.

Il s'agit d'un framework de deep learning pour prédire les valeurs futures dans des données séquentielles en utilisant des architectures PyTorch. Il fournit une boîte à outils pour la prédiction de séries temporelles à long terme et probabilistes, intégrant un pipeline de données pour convertir des dataframes tabulaires en séquences pour l'entraînement par deep learning supervisé. La bibliothèque utilise un wrapper d'entraînement pour mettre à l'échelle l'exécution du modèle sur CPU et GPU. Elle prend en charge la génération de distributions de probabilités pour les résultats futurs au lieu d'estimations ponctuelles uniques afin de quantifier l'incertitude de la prédiction. Le framework inclut des capacités pour implémenter des modèles de prévision, optimiser les hyperparamètres et évaluer la précision via des métriques multi-horizons. Il fournit également des méthodes pour comparer des architectures complexes par rapport à des modèles de base simples.

statsforecast est une bibliothèque de prévision de séries temporelles statistiques haute performance conçue pour générer des prévisions ponctuelles et des intervalles de prédiction. Elle fonctionne comme un framework de séries temporelles distribué qui utilise un moteur de prévision basé sur C et un sélecteur de modèle automatisé pour identifier et ajuster le modèle statistique optimal pour chaque série unique dans un jeu de données. Le système inclut également un détecteur d'anomalies de séries temporelles pour identifier les points de données inhabituels en comparant les valeurs observées aux intervalles de prévision probabilistes. Le projet se distingue par sa capacité à gérer la prévision parallèle à très grande échelle pour des millions de séries individuelles. Il y parvient grâce à un framework de calcul distribué, une exécution parallèle multi-cœur et des noyaux C compilés qui accélèrent la logique de base ARIMA et de lissage exponentiel. Le système optimise davantage le traitement à grande échelle en utilisant une disposition de données au format long et un pipeline de données à évaluation paresseuse (lazy-evaluation) pour réduire la surcharge mémoire. La bibliothèque fournit une suite complète de modèles, notamment AutoARIMA, diverses méthodes de lissage exponentiel pour la demande intermittente ou saisonnière, la décomposition Theta et la modélisation de volatilité GARCH pour le risque financier. Elle couvre des domaines de capacités plus larges tels que la prévision multivariée avec des variables exogènes, la décomposition de séries temporelles et l'évaluation de modèles via la validation croisée historique et l'analyse par fenêtre glissante. La bibliothèque s'intègre avec des structures de données haute performance comme Polars et fournit des utilitaires pour servir les modèles enregistrés en tant qu'endpoints REST pour des prédictions accessibles par réseau.

Neuralforecast est une bibliothèque de prévision de séries temporelles neuronales conçue pour prédire les valeurs futures pour une ou plusieurs séries en utilisant des architectures d'apprentissage profond. Elle fonctionne comme un framework de prévision d'apprentissage automatique distribué qui permet l'entraînement de modèles globaux à travers plusieurs séries temporelles pour améliorer la généralisation via l'apprentissage croisé. Le projet se distingue comme une boîte à outils de prévision probabiliste qui produit des intervalles d'incertitude et des distributions de probabilité plutôt que des estimations ponctuelles uniques. Il inclut également un réconciliateur de prévisions hiérarchique pour garantir que les prédictions à travers différents niveaux organisationnels ou géographiques restent cohérentes avec leurs totaux agrégés. La bibliothèque couvre une large gamme de capacités, incluant l'intégration de variables exogènes, l'optimisation automatique des hyperparamètres et l'apprentissage par transfert. Elle fournit des outils pour la validation de modèle via la validation croisée et des techniques de fenêtre glissante, ainsi que la capacité de distribuer les charges de travail d'entraînement à travers des clusters de calcul utilisant Spark. Le système prend en charge la persistance des modèles via l'intégration de stockage cloud et fournit des mécanismes pour interpréter les composants de prévision tels que la tendance et la saisonnalité.

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