প্রকল্প সম্পর্কে

Darts হলো সময়-সিরিজ ডেটার উপর মডেল প্রশিক্ষণ, মূল্যায়ন এবং ব্যবহারের জন্য একটি Python 3.10+ লাইব্রেরি। এর TimeSeries অ্যাবস্ট্রাকশন একক ও বহুচলক সিরিজকে সমর্থন করে এবং pandas, Polars, NumPy, PyArrow, xarray সহ অন্যান্য ব্যাকএন্ডের সাথে ডেটা আদান-প্রদান করতে পারে। ভবিষ্যদ্বাণী মডেলগুলোর মধ্যে ARIMA, VARIMA, ExponentialSmoothing, Prophet, N-BEATS এবং scikit-learn-সামঞ্জস্যপূর্ণ রিগ্রেসর রয়েছে। মডেলগুলো সামঞ্জস্যপূর্ণ fit() এবং predict() কার্যপ্রবাহ অনুসরণ করে এবং একাধিক সিরিজ, নমুনা ওজন, শিফটেড আউটপুট উইন্ডো, অতীত পর্যবেক্ষিত বা ভবিষ্যৎ-জানা কোভেরিয়েট এবং স্থির কোভেরিয়েট সমর্থন করতে পারে। অনেক মডেল নমুনা, বিতরণ প্যারামিটার বা কোয়ান্টাইলের মাধ্যমে বহুচলক ডেটা এবং প্রোবাবিলিস্টিক ফোরকাস্ট হ্যান্ডেল করে। কনফর্মাল প্রেডিকশন মডেলগুলি প্রি-ট্রেইনড গ্লোবাল ফোরকাস্টিং মডেলের জন্য ক্যালিব্রেটেড কোয়ান্টাইল ইন্টারভাল তৈরি করতে পারে। লাইব্রেরিটি মুভিং-উইন্ডো ব্যাকটেস্টিং, হায়ারার্কিক্যাল রিকনসিলিয়েশন ট্রান্সফর্মার, R² এবং গড় পরম স্কেলড এরর সহ সময়-সিরিজ মেট্রিক্স, কিছু মডেলের জন্য SHAP-ভিত্তিক ব্যাখ্যা এবং স্কেলিং, ইম্পিউটেশন, ডিফারেন্সিং এবং Box-Cox এর মতো ডেটা ট্রান্সফর্মেশন প্রদান করে। ফিল্টারিং মডেলগুলোর মধ্যে KalmanFilter, GaussianProcessFilter এবং MovingAverageFilter অন্তর্ভুক্ত। darts.ad মডিউল অ্যানোমালি স্কোরার, ডিটেক্টর এবং অ্যাগ্রিগেটর সমন্বয় করে। এতে KMeansScorer এবং QuantileDetector এর মতো উদাহরণ রয়েছে, যা ভবিষ্যদ্বাণী বা ফিল্টারিং মডেলকে প্রকৃত মানের সাথে তুলনা করে ঘিরতে পারে এবং PyODScorer এর মাধ্যমে PyOD ডিটেক্টর প্রয়োগ করতে পারে। ডিপ-লার্নিং মডেল PyTorch Lightning ব্যবহার করে, যেখানে কাস্টম কলব্যাক, GPU বা TPU এবং কাস্টম ট্রেনারের জন্য সমর্থন রয়েছে। MLflow ইন্টিগ্রেশন পরীক্ষার ট্র্যাকিং, তুলনা এবং ধারকত্বকে সমর্থন করে। পিপ (pip) এর মাধ্যমে ইনস্টলেশন পাওয়া যায়, এবং রিডমি ফাইলে দ্রুত শুরু, ব্যবহারকারী গাইড, API রেফারেন্স, উদাহরণ এবং বিষয়ভিত্তিক নিবন্ধের লিঙ্ক রয়েছে।