معرفی شرکت ها

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

توضیحات

state-of-the-art and easy-to-use time series forecasting

ویژگی	مقدار
سیستم عامل	-
نام فایل	ForeTiS-0.0.1
نام	ForeTiS
نسخه کتابخانه	0.0.1
نگهدارنده	[]
ایمیل نگهدارنده	[]
نویسنده	Josef Eiglsperger, Florian Haselbeck; Dominik G. Grimm
ایمیل نویسنده	josef.eiglsperger@tum.de
آدرس صفحه اصلی	https://github.com/grimmlab/ForeTiS
آدرس اینترنتی	https://pypi.org/project/ForeTiS/
مجوز	MIT

<div align="left"><img src="https://raw.githubusercontent.com/grimmlab/ForeTiS/master/docs/image/Logo_ForeTiS_Text.png" height="80"/></div> # ForeTiS: A Forecasting Time Series framework [![Python 3.8](https://img.shields.io/badge/Python-3.8-3776AB)](https://www.python.org/downloads/release/python-388/) ForeTiS is a Python framework that enables the rigorous training, comparison and analysis of time series forecasting for a variety of different models. ForeTiS includes multiple state-of-the-art prediction models or machine learning methods, respectively. These range from classical models, such as regularized linear regression over ensemble learners, e.g. XGBoost, to deep learning-based architectures, such as Multilayer Perceptron (MLP). To enable automatic hyperparameter optimization, we leverage state-of-the-art and efficient Bayesian optimization techniques. In addition, our framework is designed to allow an easy and straightforward integration and benchmarking of further prediction models. ## Documentation For more information, installation guides, tutorials and much more, see our documentation: https://foretis.readthedocs.io/ ## Contributors This pipeline is developed and maintained by members of the [Bioinformatics lab](https://bit.cs.tum.de) lead by [Prof. Dr. Dominik Grimm](https://bit.cs.tum.de/team/dominik-grimm/): - [Josef Eiglsperger, M.Sc.](https://bit.cs.tum.de/team/josef-eiglsperger/) - [Florian Haselbeck, M.Sc.](https://bit.cs.tum.de/team/florian-haselbeck/) ## Citation ForeTiS: A Comprehensive Time Series Forecasting Framework in Python. J Eiglsperger, F Haselbeck and DG Grimm. *currently under review*

نیازمندی

مقدار	نام
>=1.11.0	torch
>=1.5.2	xgboost
>=2.10.0	optuna
==1.4.46	sqlalchemy
>=1.1.0	joblib
>=1.22.2	numpy
>=1.4.1	pandas
>=1.0.2	scikit-learn
>=2.8.0	tensorflow
>=0.18	tensorflow-probability
>=0.13.2	statsmodels
>=1.8.1	scipy
>=2.0.1	pmdarima
>=2.5.2	gpflow
>=3.3.0	matplotlib
>=0.3	changefinder
-	bayesian-torch
-	blitz-bayesian-pytorch
>=3.7.0	tables

زبان مورد نیاز

مقدار	نام
>=3.8	Python

نحوه نصب

نصب پکیج whl ForeTiS-0.0.1:

pip install ForeTiS-0.0.1.whl

نصب پکیج tar.gz ForeTiS-0.0.1:

pip install ForeTiS-0.0.1.tar.gz