Mesleğiniz için puanlanmış YZ araçları
YZ eğiterek kazan
🤝 Ücretsiz & Açık Kaynak kütüphanesindesiniz — toplulukça geliştirilen, ücret ödemeden kullanabileceğiniz araçlar. Puanlı AI dizinimizden farklı bir kavram.
Ana sayfa › Ücretsiz & Açık Kaynak › Veri Bilimi › chronos-forecasting
✦ Ücretsiz & açık kaynakVeri Bilimi

chronos-forecasting

Tek değişkenli ve çok değişkenli veriler üzerinde sıfır vuruşlu (zero-shot) zaman serisi tahmini için önceden eğitilmiş transformer temel modelleri.

Transformer'lar tarafından desteklenen sıfır vuruşlu zaman serisi tahmini

Temel modellerle olasılıksal zaman serisi tahminleri üretmek için geçmiş gözlemleri tokenize edin.

Sonsuza dek ücretsiz · açık kaynak · Apache-2.0
✓ Light setup✓ Tarayıcıda çalışır✓ Gerçek zamanlı işbirliği
8.3
ZEKAI
Sıfır vuruşlu TS için en iyi seçim.
Ücretsiz & açık kaynak · Veri Bilimi
Kurulum kolaylığı7
Yararlılık9
Bakım9.5
Topluluk7.5
★ 6,118
GITHUB
Oct 2026
GÜNCELLENDİ
Apache-2.0
LİSANS
🛠 Kendiniz barındırmak istemiyor musunuz? Sizin için kurabiliriz →
⚡ Hızlı yanıt

Chronos, transformer mimarilerini sıfır vuruşlu zaman serisi tahminleyicilerine uyarlayan, Amazon Science'a ait bir Python kütüphanesidir. Göreve özel yeniden eğitim gerektirmeden gelecekteki yörüngeleri tahmin etmek için gözlemleri token'lara dönüştürür. Özel eğitim boru hatları oluşturmadan olasılıksal tahminler arayan veri bilimciler ve ML mühendisleri bunu kullanmalıdır.

Çalıştığı yer
Cross-platform
Barındırma
Bulut veya kendi sunucunuzda
Diller
Python
Lisans
Apache-2.0

Nedir

Araç; Chronos-2 ve Chronos-Bolt dahil olmak üzere Chronos temel modeller ailesinde çıkarım çalıştırmak için Python boru hatları sağlar. Geçmiş hedefleri ve isteğe bağlı dışsal ortak değişkenleri içeren pandas DataFrame'lerini kabul eder ve nicil (quantile) tahmin aralıkları döndürür. Çıkarımı yerel olarak CPU veya GPU donanımında çalıştırabilir ya da AutoGluon-Cloud aracılığıyla AWS SageMaker'a uç noktalar (endpoint) dağıtabilirsiniz.

Kimler için

Manuel model ayarı yapmadan yüksek hacimli seriler genelinde sıfır vuruşlu olasılıksal tahminler gerektiren veri bilimi ekipleri için uygundur. Halihazırda PyTorch, Hugging Face veya AWS bulut ortamlarında çalışıyorsanız idealdir. Transformer modellerini rahatça çalıştıramayan kısıtlı uç (edge) donanımlar için daha az uygundur.

Temel özellikler

Sıfır vuruşlu çok değişkenli tahmin

Veri seti yeniden eğitimi gerekmeden geçmiş bağlam ve dışsal ortak değişkenleri kullanarak gelecekteki zaman serisi yörüngelerini tahmin edin.

Yamalı (patch-based) Chronos-Bolt modelleri

Daha düşük bellekle doğrudan çok adımlı tahmin için bağlamı çok gözlemli yamalara bölün.

Nicil olasılıksal çıktılar

Tahmin belirsizliğini doğrudan quantify etmek için yapılandırılabilir nicil seviyelerinde tahmin aralıkları üretin.

Pandas DataFrame entegrasyonu

Standart tablo biçimindeki zaman serisi veri setlerini doğrudan boru hattı tahmin fonksiyonlarına iletin.

Nasıl başlanır

3 adımda hazır

1
Kütüphaneyi 'pip install chronos-forecasting' ile yükleyin ve pyarrow desteğine sahip pandas'ın mevcut olduğundan emin olun.
2
CUDA cihazınızdaki önceden eğitilmiş Hugging Face model ağırlıklarından Chronos2Pipeline örneği oluşturun.
3
Olasılıksal tahminler üretmek için geçmiş bağlam ve gelecekteki ortak değişken DataFrame'lerini pipeline.predict_df fonksiyonuna iletin.
Açıkçası

Dürüst kararımız

Artıları

  • Yeni veri setlerinde özel model eğitimi boru hatları gerektirmeden sıfır vuruşlu tahminler sunar.
  • Chronos-2'de hedef zaman serisinin yanında dışsal ortak değişkenleri destekler.
  • Hızlı çıkarım ve azaltılmış bellek ayak izi için tasarlanmış Chronos-Bolt varyantları sunar.
  • Hugging Face transformer'ları ve Amazon SageMaker dağıtım iş akışlarıyla yerel olarak bütünleşir.

Eksileri

  • Düşük gecikmeli veya yüksek verimli toplu çıkarım için özel GPU kaynakları gerektirir.
  • Dışsal ortak değişken desteği, eski model varyantlarından ziyade Chronos-2 ile sınırlıdır.
  • Kalıcı transformer uç noktaları barındırılırken bulut altyapı maliyetleri hızla artabilir.
Maliyet

Fiyatlar & lisans

Chronos, Apache-2.0 lisansı altında ücretsiz ve open source'dur. İşletme maliyetleri, modelleri AWS SageMaker veya AutoGluon-Cloud üzerinde dağıtırken kullanılan yerel sunucu işlem gücünden veya bulut kaynaklarından kaynaklanır.

Ücretli iş

Türkçe konuşanlar için işler

879 açık uzaktan yapay zeka eğitimi işi, 15 Kasım 2026 tarihinde güncellendi; çoğu saatlik $20–$175 ödüyor. Bunların 2 tanesi Türkçe konuşanlar için. Zekai ücretsiz listeler; başvuru işverenin platformunda yapılır.

Tüm açık rolleri gör →
Karşılaştır

Alternatifler

🎁 Ücretsiz & açık kaynak alternatifler

İncelenmiş bu AI araçları aynı işi anında yapar — puanlı dizinimizden.

Daha fazlası

Kullanın ya da biz kuralım

📄 Ücretsiz PDF: Veri Bilimi için chronos-forecasting
İlk sonucunuza ulaşmanız için sade bir rehber. E-postanıza gönderilir.
🔔 64 kişi tam bir video eğitimi istiyor — oyunuzu ekleyin
🛠 Kendiniz kurmak istemiyor musunuz?
chronos-forecasting aracını sizin için kurar, barındırır ve yapılandırırız — ekibinizi de eğitiriz.
Sizin için yapalım ↗
Sorular

SSS

Chronos modellerine dışsal değişkenler geçirebilir miyim?

Evet, Chronos-2, gelecekteki ortak değişken değerlerinden oluşan bir DataFrame kabul ederek ortak değişken bilgilendirmeli tahmini destekler.

Chronos olasılıksal tahminleri nasıl üretir?

Tahmin aralıkları sağlamak için belirli nicil seviyelerinde (0.1, 0.5 ve 0.9 gibi) tahminler çıktısı verir.

Chronos'u çalıştırmak için hangi donanım gereklidir?

Küçük modeller CPU üzerinde çalışabilse de, daha büyük modeller ve toplu çıkarım (batch inference) için PyTorch GPU hızlandırması (CUDA) önerilir.

Radar

Son AI haberleri

✉️ Haftalık ücretsiz araç seti
Veri Bilimi için en iyi yeni ücretsiz & açık kaynak araçlar — haftada bir kısa e-posta, kendi dilinizde.
Ücretsiz · haftada 1 e-posta · istediğinizde çıkın
Yapay zekayı eğit, para kazan →

Google'da önce Zekai'yi gör