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 — exécution sans installation, via `uv run --python ">=3.11" --with "aeon>=1.6"` (pas de virtualenv, pas de `uv pip install`, qui échoue hors virtualenv activé) ; optionnel : `--with stumpy` pour les profils matriciels (MatrixProfileTransformer), `aeon[dl]` pour les estimateurs deep learning (TensorFlow/Keras) seulement quand un modèle deep est vraiment nécessaire ; 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 :
Réponse rapide
Aeon est un skill gratuit pour Muse, une référence complète pour le machine learning sur séries temporelles avec la boîte à outils Python aeon, via des API compatibles scikit-learn. Il couvre classification, régression, clustering, prévision, détection d'anomalies, segmentation, recherche de similarité et extraction de features, avec un tableau d'aiguillage vers les skills frères.
Installation
Copiez le dossier d’installation ci-dessous, puis collez-le dans Muse🧪 Installation exécutée dans notre sandbox de test · 11 nov. 2026📌 Version épinglée : commit c50cf64Étape 0 — avant d'installer quoi que ce soit : lis ce prompt d'installation, résume en quelques lignes ce que ce build fait et ce que l'installation implique, puis demande-moi de confirmer avant de continuer. Prérequis : Python 3.11-3.14 avec uv — exécution sans installation, via `uv run --python ">=3.11" --with "aeon>=1.6"` (pas de virtualenv, pas de `uv pip install`, qui échoue hors virtualenv activé) ; optionnel : `--with stumpy` pour les profils matriciels (MatrixProfileTransformer), `aeon[dl]` pour les estimateurs deep learning (TensorFlow/Keras) seulement quand un modèle deep est vraiment nécessaire ; 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://raw.githubusercontent.com/alterlab-ieu/alterlab-academic-skills/c50cf64bf0997f66cb4a654dee2174cbe0f1f82e/skills/domain-specific/alterlab-aeon/SKILL.md Version épinglée : installe le code au commit c50cf64bf0997f66cb4a654dee2174cbe0f1f82e exactement (Skill Harbor a testé cette version). Ne substitue pas une version plus récente. Si ce commit est inaccessible, arrête-toi et dis-le-moi. Mis à jour le 5 novembre 2026 : Skill Harbor a régénéré ce prompt d'installation à partir du fichier amont actuel (version du skill 1.1.1, auparavant 1.1.0). Ce qui a changé depuis la version décrite par le prompt précédent : on exécute désormais sans installation — une seule commande `uv run --python ">=3.11" --with "aeon>=1.6"`, sans virtualenv — parce que `uv pip install "aeon>=1.6"` échoue hors virtualenv activé ; `aeon[dl]` ne s'ajoute que quand un modèle deep est vraiment nécessaire, et stumpy s'ajoute via `--with stumpy`. Tout le reste — la couverture d'aeon 1.6.0, les guides d'algorithmes, les snippets de démarrage rapide — est inchangé. 1. Récupère le fichier SKILL.md (et les fichiers d'aide éventuels) depuis le chemin du dépôt dans un dossier temporaire 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. lancer mon script sans installation avec `uv run --python ">=3.11" --with "aeon>=1.6" python your_script.py` (ajouter `--with stumpy` pour les profils matriciels, et `aeon[dl]` seulement si un modèle deep est vraiment nécessaire) ; 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.
Enregistré dans vos installs récentes. Retrouvez-le à tout moment sur /connect.
🔒 Sécurité, provenance et ce que ça touche
- Peut télécharger et installer des paquets logiciels.
Ce que le scan a trouvé — extraits du prompt d’installation
- installe des paquets — Prerequisites: Python 3.11-3.14 with uv (or pip) — the aeon package (uv pip install "aeon>=1.6"); optional: "a · Prérequis : Python 3.11-3.14 avec uv (ou pip) — le package aeon (uv pip install "aeon>=1.6") ; optionnel : "ae
Le prompt d'installation ci-dessous inclut déjà les étapes de vérification : votre agent suit la checklist communautaire avant d'installer tout ce qui contient du code exécutable. Vous en voulez plus ?
Certificat de vérification
Faits datés sur ce qui a été vérifié pour cette fiche, et comment. Ce n’est pas une certification de sécurité.
- Version épinglée
- c50cf64 · 2026-10-13
- Test d’installation en sandbox
- Installation exécutée dans notre sandbox de test · 11 nov. 2026
- Identité du créateur
- Non vérifiée
- Veille d’empreinte
- Dernière vérification · 19 nov. 2026 : aucun changement détecté dans les fichiers liés par ce prompt d’installation
- Analyse du prompt d’installation
- 2026-10-13 : installe des paquets
Skill Harbor ne révise jamais le code des skills listés. Ce sont des faits datés sur le prompt d’installation et notre test d’installation, pas une certification de sécurité. Révisez un skill vous-même avant de l’installer. Comment nous vérifions
Questions
Comment installer un skill ?
Chaque fiche produit contient un prompt d’installation à copier-coller. Collez-le dans votre Muse et il installe le skill 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 un skill avant de l’installer.