aeon
تطبيق التعلم الآلي السلاسل الزمنية باستخدام مجموعة أدوات Aeon
متاح أيضًا من: davila7
تتطلب البيانات السلاسل الزمنية خوارزميات متخصصة تتجاوز التعلم الآلي القياسي. توفر Aeon واجهات برمجة تطبيقات متوافقة مع scikit-learn للتصنيف والانحدار والتنبؤ والكشف عن الشذوذ والتجزئة والبحث عن التشابه على البيانات الزمنية.
تنزيل ZIP المهارة
رفع في Claude
اذهب إلى Settings → Capabilities → Skills → Upload skill
فعّل وابدأ الاستخدام
اختبرها
استخدام "aeon". Classify my time series data using aeon
النتيجة المتوقعة:
- RocketClassifier trained successfully
- Accuracy on test set: 92.3%
- Key parameters: n_kernels=10000
- Data shape verified: (samples, channels, timepoints)
التدقيق الأمني
آمنAll 531 static findings are false positives. This is a documentation-only skill containing SKILL.md and references/*.md files with no executable code. The scanner incorrectly flagged markdown syntax (backticks for inline code), Python import examples in documentation, ML algorithm names (DTW, LCSS, ERP) misinterpreted as cryptographic references, and legitimate documentation URLs. No actual code execution, network calls, or credential access exists.
عوامل الخطر
⚡ يحتوي على سكربتات (8)
🌐 الوصول إلى الشبكة (6)
⚙️ الأوامر الخارجية (473)
🔑 متغيرات البيئة (1)
درجة الجودة
ماذا يمكنك بناءه
بناء نماذج تنبؤية
تصنيف قراءات المستشعرات، أو التنبؤ بأعطال المعدات، أو توقع اتجاهات المبيعات باستخدام خوارزميات السلاسل الزمنية المتخصصة.
تحليل الأنماط الزمنية
كشف الشذوذ في الإشارات الفسيولوجية، أو تجزئة البيانات الجينومية، أو العثور على النماذج المتكررة في التسلسلات التجريبية.
توسيع خطوط أنابيب السلاسل الزمنية
التكامل مع خطوط أنابيب sklearn، ومقارنة نتائج المعايير، ونشر نماذج السلاسل الزمنية الجاهزة للإنتاج.
جرّب هذه الموجهات
Use aeon to classify the time series data in X_train, y_train. Train a RocketClassifier and evaluate accuracy on X_test.
Detect anomalies in my time series y using aeon. Use the STOMP detector with window_size=50 and return indices where anomaly_scores exceed the 95th percentile.
Train an ARIMA forecaster (order=(1,1,1)) على بيانات التدريب الخاصة بي وتوقع القيم الـ 5 التالية.
Create an sklearn pipeline with Normalizer, RocketTransformer, and a GradientBoostingClassifier using aeon transformers and sklearn estimators.
أفضل الممارسات
- قم بتطبيع السلاسل الزمنية قبل تطبيق معظم الخوارزميات باستخدام aeon.transformations.collection.Normalizer
- ابدأ بـ MiniRocketClassifier أو RocketClassifier للتطوير السريع قبل تجربة طرق التعلم العميق
- تحقق من أداء النموذج باستخدام التحقق المتقاطع وقارنه بالأساليب الأساسية مثل 1-NN Euclidean
تجنب
- استخدام مصنفات التعلم العميق على مجموعات بيانات صغيرة تقل عن 100 عينة
- تخطي تطبيع البيانات عند العمل مع DTW أو的其他 مقاييس المسافة المرنة
- تجاهل شكل الإدخال المطلوب (n_samples, n_channels, n_timepoints)