Início Projetos gluonts
gluonts
Python

gluonts

Modelagem probabilística de séries temporais em Python

por awslabs · GitHub
Estrelas
Forks
Licença
Criado
Último commit
Linguagem
artificial-intelligenceawsdata-scienceApache-2.0Python
Ver no GitHub
Em palavras simples

Faça previsões sobre dados de séries temporais usando modelos de aprendizado profundo, mesmo para dados que você não treinou antes.

Mantem este projeto?

Reivindique a sua pagina: indexada seja qual for a posicao, traduzida em seis linguas e enriquecida com as suas palavras.

Reivindicar esta pagina →
gluonts — GitHub preview card
📈 Histórico de estrelas
5.22k5.21k
2026-07-042026-08-31
📈 Acompanhe gluonts

Receba um alerta por e-mail no próximo lançamento ou quando começar a bombar.

Grátis · sem cartão · cancele quando quiser
Receber alertas por e-mail →
📄 Sobre

Modelagem probabilística de séries temporais em Python

gluonts tem 5.2k estrelas no GitHub. Foi bifurcado 824 vezes. gluonts é escrito principalmente em Python. Está em desenvolvimento ativo desde 2019. gluonts está disponível sob a licença Apache-2.0. Os seus principais temas são: artificial-intelligence, aws, data-science, deep-learning.

Frequently asked questions

O que é gluonts?

Modelagem probabilística de séries temporais em Python

gluonts é de código aberto?

gluonts é um projeto de código aberto. É distribuído sob a licença Apache-2.0.

gluonts é gratuito?

Sim. gluonts é gratuito e de código aberto — você pode usá-lo, modificá-lo e hospedá-lo por conta própria.

Sob que licença está gluonts?

gluonts está disponível sob a licença Apache-2.0.

Em que linguagem gluonts está escrito?

gluonts é escrito principalmente em Python.

🏅 Mantenedor deste projeto?
olud.ai badge — gluonts

Adicione este badge ao vivo ao seu README — suas estrelas do GitHub e classificação no diretório, atualizadas diariamente.

[![olud.ai](https://olud.ai/badge.php?tool=awslabs-gluonts)](https://olud.ai/project/awslabs-gluonts.html)
Mais opções de badge →
🧬 Partilha ADN com🧬 Ver o mapa de ADN →

Medido a partir dos topics do GitHub comuns aos dois projetos, ponderados pela sua raridade.