#异常检测
pyod
PyOD是Python领域应用广泛的异常检测工具库，自2017年起支持学术与商业用途。这个库集成了超过50种算法，涵盖从经典方法到最新的深度学习技术。它提供统一的操作界面，高性能的处理效率和快速训练预测功能，已被下载超过1700万次，得到了机器学习领域的广泛认可。
darts
Darts是一个用户友好且灵活的Python库，专注于时间序列的预测与异常检测。它提供了一系列从ARIMA到深度神经网络的多样化模型，通过统一的fit()和predict()接口简化操作，类似于scikit-learn。此外，Darts支持包括多变量和外部数据在内的复杂时间序列处理，并为大规模数据集提供高效解决方案。它还拥有全面的异常检测功能，允许进行深入的异常分析和评分。
Time-Series-Library
TSLib为深度学习研究者提供了一个专业开源时间序列分析库，涵盖广泛的应用领域，如长短期预测、数据填充、异常检测和分类。本库提供清晰的代码基础，支持时间序列模型的评估与开发，包括最新的模型评估和深度时间序列研究成果。该工具适合科研和开发人员使用，以推动时间序列分析的未来研究与实践。
time-series-transformers-review
本项目专业整理了Transformers在时序数据建模中的资源，涵盖论文、代码和数据，全面总结其最新进展。内容持续更新，开放问题提交和拉取请求，覆盖时序预测、不规则时序建模、异常检测和分类等领域，适合学术研究及实际应用。
Anomaly-Transformer
Anomaly-Transformer是一种时间序列异常检测模型，利用关联差异作为可区分标准，并结合Anomaly-Attention机制和极小极大策略提高检测效果。该模型在多个基准数据集上展现出优秀性能，为无监督时间序列异常检测领域提供了新的解决方案。
netdata
Netdata是一款开源监控工具,每秒收集服务器、容器和应用的指标数据,通过低延迟仪表盘实时展示。支持从单机到大规模集群的监控,适用于物理机、虚拟机、云环境和Kubernetes。具备低维护成本、异常检测、自动化仪表盘等特性,是一种高效节能的监控解决方案。
anomalib
Anomalib是一个专注于视觉异常检测的开源深度学习库。它提供多种先进算法实现，支持模型训练、推理、基准测试和超参数优化。该库基于Lightning框架开发，简化了代码结构，并支持模型导出为OpenVINO格式以加速推理。Anomalib还包含便捷的推理工具，方便用户快速部署异常检测模型。其模块化设计和完善的文档使其成为研究和应用视觉异常检测的理想工具。
Merlion
Merlion是一个功能丰富的Python时间序列分析库,集成了预测、异常检测和变点检测等多项能力。它支持单变量和多变量时间序列,提供标准化数据处理、多种算法模型、自动调参、外部变量支持等特性。Merlion还包含实用的后处理规则和灵活的评估流程,可帮助快速开发和基准测试时间序列模型。
SynapseML
SynapseML是一个开源库，旨在简化大规模机器学习管道的创建。它提供简单、可组合和分布式的API，支持文本分析、视觉处理、异常检测等多种任务。基于Apache Spark，SynapseML与SparkML/MLLib共享相同的API，能够无缝集成到现有的Spark工作流中。该库支持Python、R、Scala、Java和.NET，适用于各种数据库和云数据存储，助力构建智能系统。