Ein einheitliches Python-Framework für maschinelles Lernen mit Zeitreihendaten.
Erstellen, optimieren und validieren Sie Zeitreihenmodelle mit scikit-learn-kompatiblen Werkzeugen.
sktime ist eine Python-Bibliothek, die eine einheitliche Schnittstelle für Zeitreihenanalyse-Aufgaben wie Prognosen, Klassifikation und Anomalieerkennung bietet. Sie eignet sich für Data Scientists und Supply-Chain-Analysten, die Vorhersagemodelle entwickeln.
Es verbindet verschiedene Zeitreihen-Lernaufgaben durch dedizierte Algorithmen und Werkzeuge zum Aufbau zusammengesetzter Modelle wie Pipelining und Ensembling. Zudem lässt es sich mit Bibliotheken wie statsmodels, tsfresh, PyOD und fbprophet integrieren.
Es eignet sich für Python-Entwickler und Data Scientists, die komplexe Supply-Chain-Prognose- oder Anomalieerkennungs-Pipelines erstellen. Es ist nicht geeignet für nicht-technische Benutzer, die grafische Software-Benutzeroberflächen benötigen.
Bietet eine konsistente API für mehrere Prognosealgorithmen und -modelle.
Unterstützt Pipelining, Ensembling, Tuning und Reduktion für Zeitreihenaufgaben.
Verbindet sich mit scikit-learn, statsmodels, tsfresh, PyOD und fbprophet.
Enthält reifende Module zur Anomalie- und Changepoint-Erkennung.
Kostenlos unter der BSD-3-Clause-Lizenz. Die einzigen Kosten entstehen durch den Eigenbetrieb in Ihrer eigenen Python-Umgebung.
877 offene Remote-Stellen im KI-Training, aktualisiert am 16. November 2026; die meisten zahlen $20–$175 pro Stunde. 12 davon suchen Deutschsprachige. Zekai listet sie kostenlos; die Bewerbung läuft über die Plattform des Arbeitgebers.
Es unterstützt Prognosen, Zeitreihenklassifikation, Regression, Transformationen, Clustering, Anomalieerkennung und Changepoint-Erkennung.
Ja, es verwendet scikit-learn-kompatible Werkzeuge und Entwurfsmuster, um Modelle zu erstellen, zu optimieren und zu validieren.
Zekai zuerst in Google sehen