منصوبے کے بارے میں

Darts ایک Python 3.10+ لائبریری ہے جو ٹائم سیریز ڈیٹا پر ماڈلز کی تربیت، جانچ، اور استعمال کے لیے ہے۔ اس کا TimeSeries تجریدی تصور یک متغیر اور کثیر متغیر سیریز کو سپورٹ کرتا ہے اور pandas، Polars، NumPy، PyArrow، xarray، اور دیگر بیک اینڈز کے ساتھ ڈیٹا کا تبادلہ کر سکتا ہے۔ پیشن گوئی کے ماڈلز میں ARIMA، VARIMA، ExponentialSmoothing، Prophet، N-BEATS، اور scikit-learn سے مطابقت رکھنے والے ریگریسرز شامل ہیں۔ ماڈلز مستقل fit() اور predict() ورک فلو پر عمل کرتے ہیں اور متعدد سیریز، نمونے کے وزن، منتقل شدہ آؤٹ پٹ ونڈوز، ماضی میں مشاہدہ شدہ یا مستقبل میں معلوم کوویریٹس، اور جامد کوویریٹس کو سپورٹ کر سکتے ہیں۔ بہت سے ماڈلز نمونوں، تقسیم کے پیرامیٹرز، یا کوانٹائلز کے ذریعے کثیر متغیر ڈیٹا اور امکانی پیشن گوئیاں سنبھالتے ہیں۔ کنفارمل پیشن گوئی کے ماڈل پہلے سے تربیت یافتہ عالمی پیشن گوئی ماڈلز کے لیے کیلیبریٹڈ کوانٹائل وقفے پیدا کر سکتے ہیں۔ لائبریری موونگ ونڈو بیک ٹیسٹنگ، درجہ بندی کی ریکنسیلیشن ٹرانسفارمرز، R² اور مطلق اوسط اسکیلڈ ایرر سمیت ٹائم سیریز میٹرکس، کچھ ماڈلز کے لیے SHAP پر مبنی وضاحت، اور اسکیلنگ، امپیوٹیشن، ڈیفرنسنگ، اور باکس-کاکس جیسی ڈیٹا تبدیلیاں بھی فراہم کرتی ہے۔ فلٹرنگ ماڈلز میں KalmanFilter، GaussianProcessFilter، اور MovingAverageFilter شامل ہیں۔ darts.ad ماڈیول بے ضابطگی اسکوررز، ڈیٹیکٹرز، اور ایگریگیٹرز کو یکجا کرتا ہے۔ اس میں KMeansScorer اور QuantileDetector جیسی مثالیں شامل ہیں، یہ پیشن گوئی یا فلٹرنگ ماڈلز کو پیشن گوئیوں کا اصل سے موازنہ کرکے لپیٹ سکتا ہے، اور PyODScorer کے ذریعے PyOD ڈیٹیکٹرز کو لاگو کر سکتا ہے۔ ڈیپ لرننگ ماڈلز PyTorch Lightning استعمال کرتے ہیں، جس میں کسٹم کال بیکس، GPUs یا TPUs، اور کسٹم ٹرینرز کے لیے سپورٹ شامل ہے۔ MLflow انٹیگریشن تجربے سے باخبر رہنے، موازنہ، اور پرسسٹنس کو سپورٹ کرتا ہے۔ انسٹالیشن pip کے ذریعے دستیاب ہے، اور README میں کوئیک اسٹارٹ، یوزر گائیڈ، API ریفرنس، مثالیں، اور موضوعاتی مضامین کے لنکس ہیں۔