Biblioteca Python para detecção de anomalias em dados tabulares, séries temporais, grafos, textos, imagens e áudio, com mais de 60 detectores e uma API clássica de fit/predict.
PyOD é uma biblioteca Python para detecção de outliers e anomalias. Ela oferece um amplo conjunto de algoritmos de detecção, desde métodos clássicos como Isolation Forest, LOF e kNN até abordagens neurais como autoencoders, VAE e DeepSVDD, todos com uma interface consistente de fit/decision_function/predict. Os detectores são organizados por modalidade de dados e abrangem dados tabulares, séries temporais e grafos; além disso, embeddings de modelos de base permitem trabalhar com textos, imagens e áudio.
Além da API clássica, a versão 3 adiciona o ADEngine, uma camada de orquestração que analisa os dados, planeja e configura um detector, executa a detecção e explica os resultados. O projeto também inclui a skill od-expert para Claude Code e Codex, além de um servidor MCP que disponibiliza dez ferramentas sem estado para agentes LLM compatíveis com MCP. O fluxo clássico de fit/predict continua disponível para quem já sabe qual detector precisa usar.
O projeto inclui utilitários para geração de dados sintéticos, métricas de avaliação como Precision@n, métodos para combinar pontuações em ensembles e opções para salvar modelos com joblib ou pickle. A instalação está disponível via pip e conda-forge.
Instale a biblioteca principal pelo PyPI
pip install pyodTreine um detector e consulte as pontuações de anomalia
Resumo gerado por IA a partir do README do projeto. As estatísticas do GitHub são atualizadas diariamente.
SDK cliente em Python para o TimeGPT da Nixtla, um modelo de base pré-treinado e hospedado para previsão de séries temporais e detecção de anomalias.
Um framework de agentes LLM da Microsoft que automatiza tarefas de P&D orientadas por dados, como ler artigos, implementar modelos e fatores e executar experimentos no estilo Kaggle.
Agente open source de monitoramento de infraestrutura em tempo real, com métricas por segundo, descoberta automática, detecção de anomalias com ML e alertas.
Lista selecionada de bibliotecas open source para implantar, monitorar, versionar, escalar e proteger modelos de machine learning em produção.
Biblioteca de AutoML que treina e combina modelos de ML para dados tabulares, séries temporais e dados multimodais com poucas linhas de Python.
Biblioteca de machine learning em Python baseada em SciPy e NumPy, com ferramentas de classificação, regressão, clustering e seleção de modelos, sob licença BSD.