Aeon — time series machine learning
Faire du ML sur séries temporelles avec la boîte à outils aeon via des API compatibles scikit-learn : classification, régression, clustering, prévision, détection d'anomalies, segmentation et recherche de similarité, avec un tableau d'aiguillage vers les skills frères
- Quoi
- Faire du ML sur séries temporelles avec la boîte à outils aeon via des API compatibles scikit-learn : classification, régression, clustering, prévision, détection d'anomalies, segmentation et recherche de similarité, avec un tableau d'aiguillage vers les skills frères
- Coût
- Gratuit
- Prérequis
- Python 3.11-3.14 avec uv (ou pip) — le package aeon (uv pip install "aeon>=1.6") ; optionnel : "aeon[dl]" pour les estimateurs deep learning (TensorFlow/Keras), stumpy pour les profils matriciels ; vos propres données de séries temporelles
- Installation
- Copiez le prompt d’installation ci-dessous dans votre Muse — votre agent fait le reste.
Sélectionné par Skill Harbor — le skill alterlab-aeon de @alterlab-ieu, listé ici avec crédit à son créateur (fait partie de la suite AlterLab Academic Skills) : une référence complète pour le machine learning sur séries temporelles avec la boîte à outils Python aeon. Il couvre la classification (Rocket, MiniRocket, HIVECOTEV2, InceptionTime, K-voisins DTW), la régression, le clustering (TimeSeriesKMeans), la prévision (ARIMA et compagnie selon la nouvelle arborescence 1.x), la détection d'anomalies (profils matriciels STOMP), la segmentation (ClaSP), la recherche de similarité (motifs/discords MASS), l'extraction de features (ROCKET, Catch22), les métriques de distance temporelles (DTW, ERP, LCSS, MSM), les estimateurs deep learning via l'extra `aeon[dl]`, le chargement de datasets et le benchmarking, plus des snippets de démarrage rapide, des workflows courants (pipeline de classification, feature extraction + ML traditionnel, détection d'anomalies avec visualisation) et des bonnes pratiques (normaliser, gérer les valeurs manquantes, commencer par ROCKET avant le deep learning). Il est remarquablement à jour — vérifié contre aeon 1.6.0 avec la réorganisation des modules 1.x documentée, plus des gotchas honnêtes (sémantique de predict() changée, StompMotif retiré). Bémols honnêtes : nécessite Python 3.11-3.14 et le package aeon (les extras deep learning tirent TensorFlow/Keras) ; les estimateurs deep préfèrent des GPU et de plus gros datasets ; vos données de séries temporelles viennent de vous — le skill est du guidage et des patterns de code, pas des données. Licence MIT. Skill Harbor ne vérifie jamais le code, examinez-le vous-même avant usage. Découvert via skills.sh.
Version :
Installation
Prérequis : Python 3.11-3.14 avec uv (ou pip) — le package aeon (uv pip install "aeon>=1.6") ; optionnel : "aeon[dl]" pour les estimateurs deep learning (TensorFlow/Keras), stumpy pour les profils matriciels ; vos propres données de séries temporelles Installe-moi « Aeon — machine learning sur séries temporelles ». Il donne à mon agent la référence aeon de @alterlab-ieu : classification, régression, clustering, prévision, détection d'anomalies, segmentation et recherche de similarité sur séries temporelles via des API compatibles scikit-learn, avec guides de choix d'algorithmes, snippets de démarrage rapide (RocketClassifier, TimeSeriesKMeans, ARIMA, STOMP, ClaSP, MASS), extraction de features (ROCKET, Catch22), métriques de distance (DTW et compagnie), architectures deep learning, chargement de datasets/benchmarking, workflows courants et bonnes pratiques — vérifié contre aeon 1.6.0 incluant la réorganisation des modules 1.x. Fait partie de la suite AlterLab Academic Skills. Licence MIT. Dépôt : https://github.com/alterlab-ieu/alterlab-academic-skills/blob/main/skills/domain-specific/alterlab-aeon/SKILL.md 1. Récupère le fichier SKILL.md (et les fichiers d'aide éventuels) depuis le chemin du dépôt dans un dossier temporaire et résume en une ou deux phrases ce qu'il fait. 2. Vérification de sécurité : examine le SKILL.md et les scripts pour tout contenu suspect (appels réseau inattendus, commandes shell, collecte d'identifiants). Ce dépôt ne devrait contenir aucun secret en dur. Vérifie que c'est bien le cas ici ; STOP sur tout signal d'alerte et dis-le-moi. 3. Installe-le comme skill : copie le SKILL.md et ses fichiers d'aide dans le répertoire des skills de l'agent, dans un dossier nommé « alterlab-aeon ». 4. Vérifie sans appels réseau : frontmatter valide, fichiers en place. 5. Indique ce qui a été installé, où, et ce qu'il me reste à faire moi-même (p. ex. uv pip install "aeon>=1.6" (plus "aeon[dl]" et stumpy si voulu) ; préparer mes séries temporelles au format (n_samples, n_channels, n_timepoints) ; z-normaliser avant la plupart des algorithmes). GitHub est optionnel : si j'ai un compte GitHub ou la CLI gh, tu peux l'utiliser ; sinon l'accès public suffit. Ne jamais l'exiger sauf s'il figure dans les prérequis ci-dessus. Règles : ne touche à rien en dehors du dossier temporaire et de la cible d'installation. Si quelque chose semble anormal, arrête-toi et demande-moi.
Questions
Comment installer une création ?
Chaque fiche produit contient un prompt d’installation à copier-coller. Collez-le dans votre Muse et il installe la création pour vous — sans configuration manuelle.
Où va mon argent ?
Directement au vendeur. Skill Harbor ne traite jamais les paiements : le paiement se fait sur la page du vendeur, généralement via Stripe.
Que signifie le ✓ à côté du nom d’un créateur ?
Il signifie que nous avons confirmé l’identité de la personne derrière la fiche. Il ne dit rien sur le code lui-même — vérifiez toujours une création avant de l’installer.