اگر در حوزه تحلیل داده و هوش مصنوعی فعالیت میکنید، خبر خوبی برایتان داریم. کتابخانه جدید Causal-TS که توسط بلومبرگ (Bloomberg) منتشر شده، یک ابزار قدرتمند و متنباز برای کشف روابط علی (Causal Discovery) در سریهای زمانی پیچیده و با ابعاد بالاست.
ویژگیهای کلیدی این کتابخانه:
✅ پشتیبانی از ۴ الگوریتم تخصصی برای تحلیل سریهای زمانی.
✅ شتابدهی با GPU به کمک PyTorch برای سرعت بالاتر.
✅ سیستم هوشمند شناسایی «تغییرات ساختاری» (Regime Discovery).
✅ یکپارچگی کامل با DoWhy برای تحلیلهای دقیقتر.
این ابزار میتواند در مدلسازیهای پیشرفته و پیشبینیهای دقیق، عصای دست محققان و متخصصان داده باشد. برای شروع استفاده میتوانید به مخزن گیتهاب آن سر بزنید.
🔗 لینک پروژه: https://github.com/bloomberg/causal-ts
نویسی
منبع: arXiv Machine Learning