Início Projetos tods
tods
Python

tods

TODS: Um Sistema Automatizado de Detecção de Outliers em Séries Temporais

por datamllab · GitHub
Estrelas
Forks
Licença
Criado
Último commit
Linguagem
anomaly-detectionautomlmachine-learningApache-2.0Python
Ver no GitHub
Em palavras simples

Detecte padrões incomuns em dados de séries temporais automaticamente com um sistema abrangente de aprendizado de máquina.

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 →
tods — GitHub preview card
📈 Histórico de estrelas
1 6641 663
2026-07-202026-08-31
📈 Acompanhe tods

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

TODS: Um Sistema Automatizado de Detecção de Outliers em Séries Temporais

tods tem 1.7k estrelas no GitHub. Foi bifurcado 206 vezes. tods é escrito principalmente em Python. Está em desenvolvimento ativo desde 2020. tods está disponível sob a licença Apache-2.0. Os seus principais temas são: anomaly-detection, automl, machine-learning, outlier-detection.

Frequently asked questions

O que é tods?

TODS: Um Sistema Automatizado de Detecção de Outliers em Séries Temporais

tods é de código aberto?

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

tods é gratuito?

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

Sob que licença está tods?

tods está disponível sob a licença Apache-2.0.

Em que linguagem tods está escrito?

tods é escrito principalmente em Python.

🏅 Mantenedor deste projeto?
olud.ai badge — tods

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=datamllab-tods)](https://olud.ai/project/datamllab-tods.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.