sktime

sktime é uma biblioteca Python de código aberto para análise de séries temporais e aprendizado de máquina. Sua ideia central é uma interface unificada entre várias tarefas relacionadas de aprendizado com séries temporais, de modo que algoritmos e ferramentas projetados para uma tarefa possam ser reutilizados em outra. O projeto é distribuído sob a licença BSD 3-clause e está disponível via pip e conda-forge. As tarefas suportadas incluem previsão, classificação de séries temporais, regressão de séries temporais, transformações, tarefas de detecção (detecção de anomalias e de changepoints), ajuste de parâmetros, agrupamento de séries temporais, distâncias e kernels para séries temporais, alinhamento de séries temporais e divisores de séries temporais. Alguns módulos são descritos como estáveis (previsão, classificação, regressão, transformações), outros como em maturação (detecção, ajuste de parâmetros, agrupamento, distâncias/kernels, divisores) e alguns como experimentais (alinhamento, distribuições e simulação). Além de algoritmos dedicados a séries temporais, o sktime fornece ferramentas para construção de modelos compostos, como pipelining, ensembling, tuning e redução. Também oferece interfaces para bibliotecas relacionadas, incluindo scikit-learn, statsmodels, tsfresh, PyOD e fbprophet, o que permite aos usuários combinar estimadores existentes com a maquinaria de séries temporais do sktime. O README inclui exemplos de início rápido para previsão (usando ThetaForecaster no conjunto de dados airline com uma divisão temporal de treino/teste e avaliação por MAPE) e para classificação de séries temporais (usando TimeSeriesForestClassifier no conjunto de dados arrow head com pontuação de acurácia). A instalação suporta macOS, Linux e Windows 8.1+, Python 3.10 até 3.14 (64 bits), e oferece conjuntos de dependências como forecasting, transformations, classification, regression, clustering, param_est, networks, detection e alignment, além de uma opção all_extras. Documentação, tutoriais, notebooks no Binder, modelos de extensão, uma referência de API, um changelog e um roadmap estão vinculados no README. Os canais da comunidade incluem issues e discussions no GitHub, Stack Overflow, Discord e encontros regulares. O projeto segue a especificação all-contributors e aceita contribuições que não sejam de código, com processos de mentoria, governança e propostas de aprimoramento descritos. A visão declarada enfatiza o desenvolvimento comunitário, a escolha da ferramenta certa para a tarefa certa, a interoperabilidade com ecossistemas estabelecidos, composição rica de modelos, sintaxe de especificação limpa, avaliação justa de modelos e extensibilidade fácil por meio de modelos.