Öffentliches Register
Software-GesundheitsberichtSchema 0.34.0 · Metriken 2.10.0 · 2026-09-17 19:31 UTC

tslearn-team / tslearn

The machine learning toolkit for time series analysis in Python

PythonBSD-2-Clause★ 3.177 Sterne⑂ 384 Forksseit Mai 2017Auf GitHub ansehen ↗
ArtBibliothekwie das ermittelt wird
#time-series#timeseries#time-series-analysis#time-series-clustering#machine-learning#machine-learning-algorithms#machinelearning#dtw#python#time-series-classification#dynamic-time-warping

tslearn-team/tslearn erreicht einen Gesundheitsindex von 89 von 100 und liegt damit im Bereich Exzellent. Am stärksten schneidet es bei Community & Adoption (88/100) ab, am schwächsten bei AI Readiness (54/100). Zuletzt heute aktualisiert. Ein einzelner Mitwirkender trägt den Großteil der jüngsten Arbeit.

89
gesamt / 100
Exzellent

Software-Gesundheitsindex

Metriken werden auf einer standardisierten Skala von 1–100 in gewichtete Kategorien gruppiert. Der Gesamtwert beginnt als ihr gewichtetes Mittel, kalibriert auf die Verteilung des öffentlichen Registers, sodass die Stufen Perzentilbedeutung tragen; sobald öffentliche Evidenz die Richtlinie für Hochrisikojurisdiktionen auslöst, wird die Bewertung angepasst und erhält die Obergrenze Gefährdet von 34.

89
Außergewöhnlich93-100Die Spitzengruppe des Registers (≈ obere 5 %); erfüllt im Wesentlichen alle geprüften Kriterien
Exzellent80-92Durchgehend stark; geringfügige Lücken
Gut65-79Gesund; Lücken sind begrenzt und beherrschbar
Mittel50-64Akzeptabel mit deutlichen Lücken; Überprüfung empfohlen
Schwach35-49Wesentliche Schwächen in mehreren Bereichen
Gefährdet20-34Erhebliche Schwächen; eine Übernahme erfordert Vorsicht
Kritisch1-19Schwerwiegende Probleme (aufgegeben, nur ein Maintainer, keine Hygiene)
VitalitätCommunity &VerbreitungNachhaltigkeit &GovernanceEngineering-QualitätSicherheitAI Readiness

Bewertungsprofil

Jede Achse ist eine Kategorie. Die Form zählt mehr als der Durchschnitt — ein gesundes Projekt füllt die gesamte Fläche, während ein Profil aus Spitzen und Kratern bedeutet, dass Stärke in einer Dimension Risiken in einer anderen verdeckt.

Der gewichtete Gesamtwert 75 wird auf der veröffentlichten Indexskala auf 89 kalibriert (Register-Kalibrierung 2026-08-02).

Eigentümerschaft

tslearn-teamOrganisation
38 Follower4 öffentliche Reposseit Apr. 2020

Dieses Repository wird von einer Organisation getragen — geteilte, rechenschaftspflichtige Trägerschaft, die jeden einzelnen Maintainer überdauern kann.

Paket-Ökosysteme

RegistryPaketVersionDownloads / MonatVersionenZuletzt veröffentlicht
PyPItslearn0.9.0274.83285vor 77 Tagen

Metriken nach Kategorie

Vitalität

Lebt das Projekt — wird Code geschrieben und werden Releases ausgeliefert?

87Exzellent · 21 % des Gesamtindex

Entwicklungsaktivität

89Exzellent
Wie die Bewertung erfolgt
36/36Push-Aktualität — letzter Push vor 0 Tagen
24.9/36Commit-Rhythmus — 36/52 Wochen mit Commits
18/18Commit-Volumen — 107 Commits im letzten Jahr
10/10OpenSSF Scorecard: Maintained — 28 commit(s) and 1 issue activity found in the last 90 days -- score normalized to 10
Verwendete Eingangsdaten
commits_last_year107
human_commit_share0,96
days_since_last_push0
active_weeks_last_year36

Release-Disziplin

84Exzellent
Wie die Bewertung erfolgt
27/27Liefert Releases aus — 26 Releases veröffentlicht
36/36Release-Aktualität — letztes Release vor 79 Tagen
12.6/27Release-Rhythmus — ein Release etwa alle 139,6 Tage
0/10OpenSSF Scorecard: Signed-Releases — keine Daten
Verwendete Eingangsdaten
releases_count26
latest_release_tagv0.9.0
releases_from_tagsnein
days_since_latest_release79
mean_days_between_releases139,6
Von der Bewertung ausgeschlossen (keine Daten oder nicht anwendbar): OpenSSF Scorecard: Signed-Releases. Die verbleibenden Gewichte wurden renormalisiert.

Community & Verbreitung

Hat das Projekt Nutzer, Downloads, Aufmerksamkeit und ein einladendes Umfeld für Beitragende?

88Exzellent · 17 % des Gesamtindex

Popularität & Verbreitung

88Exzellent
Wie die Bewertung erfolgt
56.8/60Stars — 3.177 Stars
21.5/25Forks — 384 Forks
9.7/15Watcher — 57 Watcher
Verwendete Eingangsdaten
forks384
stars3.177
watchers57
growth_stateunverified
growth_factor_pct100
growth_unverified_reasonno_history

Community-Gesundheit

85Exzellent
Wie die Bewertung erfolgt
22.5/22.5README
22.5/22.5Lizenz — anerkannte Lizenz (BSD-2-Clause)
18/18CONTRIBUTING-Leitfaden
13.5/13.5Verhaltenskodex
0/7.2Issue-Vorlage
0/6.3PR-Vorlage
Verwendete Eingangsdaten
has_readmeja
has_licenseja
readme_badges5
has_contributingja
has_issue_templatenein
has_code_of_conductja
readme_badge_servicesbadge.fury.io, codecov.io, dev.azure.com, readthedocs.org, shields.io
has_pull_request_templatenein

Ökosystem-Verbreitung (Downloads)

91Exzellent
Wie die Bewertung erfolgt
72.5/80Downloads pro Monat — 274.832 Downloads/Monat über pypi
0/20Abhängige in der Registry — von diesem Ökosystem nicht ausgewiesen
Verwendete Eingangsdaten
packagestslearn
dependents—
ecosystemspypi
total_downloads—
monthly_downloads274.832
unverified_packages_excluded—
Von der Bewertung ausgeschlossen (keine Daten oder nicht anwendbar): Abhängige in der Registry. Die verbleibenden Gewichte wurden renormalisiert.

Nachhaltigkeit & Governance

Überdauert das Projekt die Menschen, die es tragen — Bus-Faktor, Reaktionsfähigkeit, Trägerschaft und Paketpflege?

64Mittel · 23 % des Gesamtindex

Maintainer-Resilienz (Bus-Faktor)

40Schwach
Wie die Bewertung erfolgt
9/54Bus-Faktor — 1 Beitragende decken die Hälfte aller Commits ab
7.5/22.5Commit-Verteilung — wichtigste beitragende Person verfasste 67 % der Commits
13.5/13.5Breite der Beitragenden — 47 Beitragende
10/10OpenSSF Scorecard: Contributors — project has 20 contributing companies or organizations
Verwendete Eingangsdaten
bus_factor1
contributors_sampled47
top_contributor_share0,668

Reaktionsfähigkeit bei Issues & PRs

72Gut
Wie die Bewertung erfolgt
34.6/42Issue-Lösungsquote — 82 % der Issues geschlossen
23.5/30PR-Annahme — 259/331 entschiedene PRs gemergt
9.5/13Newcomer PR acceptance — 8/11 PRs von Erstbeitragenden in 30 Tagen gemergt
4.5/15OpenSSF Scorecard: Code-Review — Found 11/28 approved changesets -- score normalized to 3
Verwendete Eingangsdaten
merged_prs259
open_issues61
closed_issues287
prs_merged_7d2
prs_decided_7d2
prs_merged_30d15
prs_decided_30d18
issue_closed_ratio0,825
closed_unmerged_prs72
first_time_authors_30d8
first_time_prs_merged_30d8
first_time_prs_decided_30d11

Eigentümerschaft & Trägerschaft

58Mittel
Wie die Bewertung erfolgt
30/30Organisatorische Trägerschaft — im Besitz einer Organisation
0/20Verifizierte Domain
11.4/25Reichweite des Inhabers — 38 Follower von tslearn-team
17.1/25Kontohistorie — 4 öffentliche Repos, Kontoalter ca. 6 Jahre
Verwendete Eingangsdaten
followers38
owner_typeOrganization
is_verifiednein
owner_logintslearn-team
public_repos4
account_age_days2.331

Paketpflege

100Außergewöhnlich
Wie die Bewertung erfolgt
25/25Veröffentlicht & auflösbar — 1 Paket(e) auf pypi
35/35Veröffentlichungsaktualität — letzte Veröffentlichung vor 77 Tagen
20/20Versionshistorie — 85 veröffentlichte Versionen
20/20Nicht veraltet — aktiv, nicht veraltet oder zurückgezogen
Verwendete Eingangsdaten
packagestslearn
ecosystemspypi
any_deprecatednein
min_days_since_publish77

Engineering-Qualität

Sind grundlegende Engineering- und Dokumentationspraktiken vorhanden?

81Exzellent · 19 % des Gesamtindex

Engineering-Praktiken

68Gut
Wie die Bewertung erfolgt
24/24CI-Workflows — 4 Workflow(s)
24/24Tests vorhanden
0/16Linter-Konfiguration
0/9.6Pre-Commit-Hooks
0/6.4.editorconfig
20/20OpenSSF Scorecard: CI-Tests — 26 out of 26 merged PRs checked by a CI test -- score normalized to 10
Verwendete Eingangsdaten
has_cija
has_testsja
has_editorconfignein
has_linter_confignein
has_precommit_confignein

Dokumentation

100Außergewöhnlich
Wie die Bewertung erfolgt
30/30README
25/25Dokumentationsverzeichnis
15/15Dokumentations-/Homepage-Site — https://tslearn.readthedocs.io
10/10Repository-Beschreibung
10/10Topics — 11 Topics
10/10Wiki
Verwendete Eingangsdaten
topicstime-series, timeseries, time-series-analysis, time-series-clustering, machine-learning, machine-learning-algorithms, machinelearning, dtw, python, time-series-classification, dynamic-time-warping
has_wikija
homepagehttps://tslearn.readthedocs.io
docs_sitehttps://tslearn.readthedocs.io
has_readmeja
has_docs_dirja
has_descriptionja

Sicherheit

Sind die sichtbaren Sicherheits- und Lieferkettenpraktiken belastbar, ohne ungeklärte Exposition gegenüber Hochrisikojurisdiktionen?

62Mittel · 16 % des Gesamtindex

Sicherheitslage

53Mittel
Wie die Bewertung erfolgt
7.5/7.5Binary-Artifacts — no binaries found in the repo
0/7.5Branch-Protection — branch protection not enabled on development/release branches
2.5/2.5CI-Tests — 26 out of 26 merged PRs checked by a CI test -- score normalized to 10
0/2.5CII-Best-Practices — no effort to earn an OpenSSF best practices badge detected
2.2/7.5Code-Review — Found 11/28 approved changesets -- score normalized to 3
2.5/2.5Contributors — project has 20 contributing companies or organizations
10/10Dangerous-Workflow — no dangerous workflow patterns detected
7.5/7.5Dependency-Update-Tool — update tool detected
0/5Fuzzing — project is not fuzzed
2.5/2.5Lizenz — license file detected
7.5/7.5Maintained — 28 commit(s) and 1 issue activity found in the last 90 days -- score normalized to 10
0/5Packaging — keine Daten
0/5Pinned-Dependencies — dependency not pinned by hash detected -- score normalized to 0
0/5SAST — SAST tool is not run on all commits -- score normalized to 0
0/5Security-Policy — security policy file not detected
0/7.5Signed-Releases — keine Daten
0/7.5Token-Permissions — detected GitHub workflow tokens with excessive permissions
6.8/7.5Vulnerabilities — 1 existing vulnerabilities detected
Verwendete Eingangsdaten
sourceopenssf_scorecard
checks_evaluated16
scorecard_versionv5.5.0
checks_inconclusive2
scorecard_aggregate5,3
Von der Bewertung ausgeschlossen (keine Daten oder nicht anwendbar): Packaging, Signed-Releases. Die verbleibenden Gewichte wurden renormalisiert.

Abhängigkeits-Advisories

100Außergewöhnlich
Wie die Bewertung erfolgt
35/35Direkte Abhängigkeiten ohne bekannte Advisories — keine direkte Abhängigkeit trägt ein bekanntes Advisory
25/25Indirekte Abhängigkeiten ohne bekannte Advisories — keine indirekte Abhängigkeit trägt ein bekanntes Advisory
0/40Keine offenen Advisories — kein Advisory trägt ein Veröffentlichungsdatum
Verwendete Eingangsdaten
sourceosv
advisories0
affected_packages0
assessed_packages19
unassessed_packages0
affected_by_severitynone
direct_affected_packages0
Von der Bewertung ausgeschlossen (keine Daten oder nicht anwendbar): Keine offenen Advisories. Die verbleibenden Gewichte wurden renormalisiert. Abgeglichen wurde die Laufzeit-Abhängigkeitshülle von pypi:tslearn@0.9.0 — das, was die Installation des veröffentlichten Pakets nach sich zieht — mit 19 Paketen. Erreichbarkeit wird nicht analysiert.

AI Readiness

Wie gut ist das Repository dafür ausgestattet, mit KI-Coding-Agenten entwickelt und gepflegt zu werden? Trägt ein bewusst kleines Gewicht (4 %): Agenten-Tooling ist ein echtes Pflegesignal, doch ein Repository ohne jedes Signal kann weiterhin 100/100 erreichen.

54Mittel · 4 % des Gesamtindex

AI-Agentenkontext & Leitlinien

39Schwach
Wie die Bewertung erfolgt
0/45Agentenanweisungen — keine CLAUDE.md / AGENTS.md / Editor-Regeln
0/15Maschinenlesbare Doku (llms.txt)
38.9/40Lesbare Commit-Historie — 70 von 96 menschlichen Commits benennen ihre Absicht (strukturierter Betreff oder erläuternder Text)
Verwendete Eingangsdaten
has_llms_txtnein
llms_txt_url—
legible_history_share0,729
agent_instruction_files—
agent_instruction_max_bytes—

AI-Verify-Loop (Build / Test / Typprüfung)

50Mittel
Wie die Bewertung erfolgt
18/18Bootstrap mit einem Befehl — docs/Makefile
22/22Automatisierte Tests
0/11Lint-/Format-Konfiguration
0/11Statische Typprüfung
0/10Reproduzierbare Umgebung
2/10Belegte Agentenpraxis — 1 der letzten 100 Commits von Agenten verfasst oder ihnen zugeschrieben
8/8Automatisierte Wartung — 4 der letzten 100 Commits sind automatisierte Abhängigkeits-Updates
0/10OpenSSF Scorecard: Pinned-Dependencies — dependency not pinned by hash detected -- score normalized to 0
Verwendete Eingangsdaten
has_nixnein
has_testsja
lockfiles—
has_dockerfilenein
typed_languagenein
bootstrap_filesdocs/Makefile
has_devcontainernein
has_linter_confignein
typecheck_configs—
agent_commit_share0,01
toolchain_manifests—
dependency_bot_commit_share0,04

AI-Code-Lesbarkeit für Modelle

47Schwach
Wie die Bewertung erfolgt
0/45Typprüfbarer Code — Python ohne Typprüfungs-Konfiguration
46.6/55Handhabbare Dateigrößen — 23/150 Quelldateien über 60 KB
Verwendete Eingangsdaten
primary_languagePython
largest_source_bytes453.560
source_files_sampled150
oversized_source_files23

Maschinenlesbare AI-Schnittstellen

100Außergewöhnlich
Wie die Bewertung erfolgt
0/40API-Schema (OpenAPI/GraphQL/proto) — für diese Art von Software nicht anwendbar
0/20MCP-Server — für diese Art von Software nicht anwendbar
40/40Lauffähige Beispiele — examples
Verwendete Eingangsdaten
example_dirsexamples
has_mcp_signalnein
api_schema_files—
interfaces_expected_of—
Von der Bewertung ausgeschlossen (keine Daten oder nicht anwendbar): API-Schema (OpenAPI/GraphQL/proto), MCP-Server. Die verbleibenden Gewichte wurden renormalisiert.

Eckdaten

3.177GitHub-Sterne
47Mitwirkende
107Commits, letzte 12 Monate
0Tage seit letztem Push
26Releases
1Bus-Faktor
61offene Issues
PyPIPaket-Ökosysteme

Warnungen zur Datenerhebung

  • Star history unavailable: GitHub GraphQL error: Resource not accessible by personal access token
  • pypi download statistics for 'tslearn' unavailable this scan (stats endpoint failed after retries); adoption may be under-evidenced
  • pypi download figures for tslearn carried forward from the previous scan (stats endpoint unavailable this scan)

Weitere Details

Stern- und Fork-Verlauf 0 ★ / 384 ⇿
0Sterne
384Forks
26Releases

Wann jeder Stern und Fork hinzugefügt wurde, von GitHub erfasst und nach Tagen gruppiert. Das kumulierte Wachstum steht direkt über den täglichen Zugängen, aus denen es besteht, sodass beide gegeneinander lesbar sind: stetiger organischer Zuwachs sieht ganz anders aus als ein abrupter, kurzlebiger Ausschlag. Wo dieser Unterschied messbar ist, wird er als Wachstumsauthentizität ausgewiesen.

010020030040037892017-062022-012026-09
Major 0Minor 6Patch 12

Jeder Punkt umfasst 9 Tage.

OpenSSF Scorecard 5.3 / 10
5.3Gesamtwert

Unabhängige, werkzeugneutrale Sicherheitsbewertung durch das quelloffene OpenSSF Scorecard. Jede Prüfung honoriert eine Sicherheits-Praxis, nicht das Werkzeug eines bestimmten Anbieters. Prüfungen, die Scorecard nicht ermitteln konnte, sind mit k. A. markiert und vom Sicherheitswert ausgeschlossen (nie als null gezählt).Scorecard v5.5.0 · 2026-09-17 19:31 UTC

10Binary-Artifactsno binaries found in the repo
0Branch-Protectionbranch protection not enabled on development/release branches
10CI-Tests26 out of 26 merged PRs checked by a CI test -- score normalized to 10
0CII-Best-Practicesno effort to earn an OpenSSF best practices badge detected
3Code-ReviewFound 11/28 approved changesets -- score normalized to 3
10Contributorsproject has 20 contributing companies or organizations
10Dangerous-Workflowno dangerous workflow patterns detected
10Dependency-Update-Toolupdate tool detected
0Fuzzingproject is not fuzzed
10Licenselicense file detected
10Maintained28 commit(s) and 1 issue activity found in the last 90 days -- score normalized to 10
k. A.Packagingpackaging workflow not detected
0Pinned-Dependenciesdependency not pinned by hash detected -- score normalized to 0
0SASTSAST tool is not run on all commits -- score normalized to 0
0Security-Policysecurity policy file not detected
k. A.Signed-Releasesno releases found
0Token-Permissionsdetected GitHub workflow tokens with excessive permissions
9Vulnerabilities1 existing vulnerabilities detected
Direkte Abhängigkeiten 6
RegistryPaketVersionsvorgabeManifest
PyPIscikit-learn>=1.5pyproject.toml
PyPInumpy>=1.24.3pyproject.toml
PyPIscipy>=1.10.1pyproject.toml
PyPInumba>=0.61pyproject.toml
PyPIjoblib>=1.2pyproject.toml
PyPIstatsmodels>=0.14pyproject.toml
Alle Abhängigkeiten 85

Vollständig aufgelöster Abhängigkeitssatz aus dem GitHub-Abhängigkeitsgraphen: 12 direkte und 73 indirekte (transitive) Pakete. Die transitive Hülle ist vollständig, wenn das Repository eine Lockfile eincheckt.

RegistryPaketVersionBeziehung
PyPIjoblib—direkt
PyPIjoblib1.5.3direkt
PyPInumba—direkt
PyPInumba0.65.0direkt
PyPInumpy—direkt
PyPInumpy2.4.4direkt
PyPIscikit-learn—direkt
PyPIscikit-learn1.8.0direkt
PyPIscipy—direkt
PyPIscipy1.17.1direkt
PyPIstatsmodels—direkt
PyPIstatsmodels0.14.6direkt
PyPIaccelerate1.14.0indirekt
PyPIaccessible-pygments0.0.5indirekt
PyPIalabaster1.0.0indirekt
PyPIannotated-doc0.0.5indirekt
PyPIanyio4.14.2indirekt
PyPIbabel2.18.0indirekt
PyPIbeautifulsoup44.14.3indirekt
PyPIcertifi2026.2.25indirekt
PyPIcharset-normalizer3.4.7indirekt
PyPIchronos-forecasting2.3.1indirekt
PyPIclick8.4.2indirekt
PyPIcontourpy1.3.3indirekt
PyPIcycler0.12.1indirekt
PyPIdocutils0.22.4indirekt
PyPIeinops0.8.2indirekt
PyPIfilelock3.32.2indirekt
PyPIfonttools4.62.1indirekt
PyPIfsspec2026.7.0indirekt
PyPIh110.16.0indirekt
PyPIhf-xet1.6.0indirekt
PyPIhttpcore1.0.9indirekt
PyPIhttpx0.28.1indirekt
PyPIhuggingface-hub1.27.0indirekt
PyPIidna3.15indirekt
PyPIimagesize2.0.0indirekt
PyPIjinja23.1.6indirekt
PyPIkiwisolver1.5.0indirekt
PyPIllvmlite0.47.0indirekt
PyPImarkdown-it-py4.2.0indirekt
PyPImarkupsafe3.0.3indirekt
PyPImatplotlib3.10.8indirekt
PyPImdurl0.1.2indirekt
PyPImpmath1.3.0indirekt
PyPInetworkx3.6.1indirekt
PyPInumpydoc1.10.0indirekt
PyPIpackaging26.1indirekt
PyPIpandas3.0.5indirekt
PyPIpatsy1.0.2indirekt
PyPIpillow12.3.0indirekt
PyPIpsutil7.2.2indirekt
PyPIpydata-sphinx-theme0.17.0indirekt
PyPIpygments2.20.0indirekt
PyPIpypandoc1.17indirekt
PyPIpyparsing3.3.2indirekt
PyPIpython-dateutil2.9.0.post0indirekt
PyPIpyyaml6.0.3indirekt
PyPIregex2026.7.19indirekt
PyPIrequests2.33.1indirekt
PyPIrich15.0.0indirekt
PyPIroman-numerals4.1.0indirekt
PyPIsafetensors0.8.0indirekt
PyPIshellingham1.5.4indirekt
PyPIsix1.17.0indirekt
PyPIsnowballstemmer3.0.1indirekt
PyPIsoupsieve2.8.4indirekt
PyPIsphinx9.1.0indirekt
PyPIsphinx-copybutton0.5.2indirekt
PyPIsphinx-gallery0.20.0indirekt
PyPIsphinxcontrib-applehelp2.0.0indirekt
PyPIsphinxcontrib-devhelp2.0.0indirekt
PyPIsphinxcontrib-htmlhelp2.1.0indirekt
PyPIsphinxcontrib-jsmath1.0.1indirekt
PyPIsphinxcontrib-qthelp2.0.0indirekt
PyPIsphinxcontrib-serializinghtml2.0.0indirekt
PyPIsympy1.14.0indirekt
PyPIthreadpoolctl3.6.0indirekt
PyPItokenizers0.22.2indirekt
PyPItorch2.13.0indirekt
PyPItqdm4.70.0indirekt
PyPItransformers5.15.0indirekt
PyPItyper0.27.1indirekt
PyPItyping-extensions4.15.0indirekt
PyPIurllib32.7.0indirekt
Abhängigkeits-Advisories 0

Die Installation von pypi:tslearn@0.9.0 zieht 19 Pakete nach sich, direkt und transitiv: 0 tragen bekannte Advisories, davon 0 direkte Abhängigkeiten.

Keine bekannten Advisories betreffen die bewerteten Abhängigkeiten.

Ein Advisory bedeutet, dass die im Abhängigkeitsgraphen erfasste Version in den betroffenen Bereich eines Advisories fällt. Erreichbarkeit wird nicht analysiert, und der Graph enthält Entwicklungs- und Test-Pins — ein Fund kann das Werkzeug betreffen und nicht die ausgelieferte Software.

JSON-Rohbericht maschinenlesbar

Feedback

Stimmt etwas in diesem Bericht nicht, oder gibt es Gedanken dazu? Falsche Messungen, übersehene Tools, Ideen, Fragen — alles ist willkommen. Jede Nachricht wird gelesen und beantwortet.

Die Nachricht bleibt bei der Anmeldung erhalten.

Verwandte Einträge

Geprüfte Repositories, die Katalog-Tags oder Ökosysteme mit tslearn-team/tslearn teilen. Nebeneinander lesen →

98sktime/sktimeA unified framework for machine learning with time seriesAußergewöhnlich98autogluon/autogluonFast and Accurate ML in 3 Lines of CodeAußergewöhnlich98Nixtla/statsforecastLightning ⚡️ fast forecasting with statistical and econometric models.Außergewöhnlich100apache/airflowApache Airflow - A platform to programmatically author, schedule, and monitor workflowsAußergewöhnlich100scikit-learn/scikit-learnscikit-learn: machine learning in PythonAußergewöhnlich100huggingface/transformers🤗 Transformers: the model-definition framework for state-of-the-art machine learning models in text, vision, audio, and multimodal models, for both inference and training. Außergewöhnlich

Bewertungen sind Signale, keine Garantien. Sie spiegeln öffentlich sichtbare Praxis auf GitHub wider — kein Code-Audit und keine Sicherheitsgarantie.

Fehlende Daten werden ausgeschlossen und die Gewichte neu normiert, nie als null bewertet. Die Methodik ist versioniert und offen: Metriken v2.10.0, Schema v0.34.0 — vollständige Methodik · Metriken-Wiki.

Wie ein einzelnes Ergebnis im Gesamtregister steht: aggregierte Statistiken — PyPI.