Biblioteca de Python para detectar anomalías en datos tabulares, series temporales, grafos, texto, imágenes y audio, con más de 60 detectores y una API clásica de fit/predict.
PyOD es una biblioteca de Python para detectar valores atípicos y anomalías. Ofrece un amplio conjunto de algoritmos de detección, desde métodos clásicos como Isolation Forest, LOF y kNN hasta enfoques neuronales como autoencoders, VAE y DeepSVDD, todos con una interfaz uniforme de fit/decision_function/predict. Los detectores se agrupan por modalidad de datos y cubren datos tabulares, series temporales y grafos, así como texto, imágenes y audio mediante embeddings de modelos fundacionales.
Además de la API clásica, la versión 3 incorpora ADEngine, una capa de orquestación que perfila los datos, planifica y configura un detector, ejecuta la detección y explica los resultados. También incluye una skill od-expert para Claude Code y Codex, y un servidor MCP que ofrece diez herramientas sin estado para agentes LLM compatibles con MCP. El flujo clásico de fit/predict sigue disponible para quienes ya saben qué detector necesitan.
El proyecto incluye utilidades para generar datos sintéticos, métricas de evaluación como Precision@n, métodos para combinar puntuaciones en conjuntos y opciones para guardar modelos con joblib o pickle. Se puede instalar mediante pip y conda-forge.
Instala la biblioteca principal desde PyPI
pip install pyodEntrena un detector y consulta las puntuaciones de anomalía
Resumen generado por IA a partir del README del proyecto. Las estadísticas de GitHub se actualizan a diario.
SDK de Python para TimeGPT de Nixtla, un modelo fundacional preentrenado y alojado para pronosticar series temporales y detectar anomalías.
Framework de agentes LLM de Microsoft que automatiza tareas de I+D basadas en datos, como leer artículos, implementar modelos y factores, y ejecutar experimentos al estilo de Kaggle.
Agente de código abierto para monitorear infraestructura en tiempo real, con métricas por segundo, detección automática, detección de anomalías con ML y alertas integradas.
Lista curada de bibliotecas open source para desplegar, supervisar, versionar, escalar y proteger sistemas de machine learning en producción.
Biblioteca de AutoML que entrena y combina modelos de ML para datos tabulares, series temporales y datos multimodales con unas pocas líneas de Python.
Biblioteca de machine learning para Python basada en SciPy y NumPy, con herramientas de clasificación, regresión, clustering y selección de modelos, bajo licencia BSD.