====== STUMPY

STUMPY هي مكتبة Python قوية وقابلة للتوسع تحسب بكفاءة شيئًا يُسمى matrix profile <https://stumpy.readthedocs.io/en/latest/Tutorial_The_Matrix_Profile.html>__، وهو مجرد طريقة أكاديمية للقول "لكل تتابع فرعي (أخضر) داخل السلاسل الزمنية الخاصة بك، حدد تلقائيًا أقرب جار مطابق له (رمادي)":

.. image:: https://github.com/stumpy-dev/stumpy/blob/main/docs/images/stumpy_demo.gif?raw=true :alt: STUMPY Animated GIF

المهم هو أنه بمجرد حساب matrix profile الخاص بك (اللوحة الوسطى أعلاه)، يمكن استخدامه بعد ذلك لمجموعة متنوعة من مهام تعدين بيانات السلاسل الزمنية مثل:

اكتشاف الأنماط/الموتيفات (التتابعات الفرعية المتكررة تقريبًا داخل سلسلة زمنية أطول)
اكتشاف الشذوذ/الجدة (التنافر)
اكتشاف الشكليّات (shapelets)
التقسيم الدلالي
البيانات المتدفقة (عبر الإنترنت)
ملفات المصفوفة التقريبية السريعة
سلاسل السلاسل الزمنية (مجموعة مرتبة زمنيًا من أنماط التتابعات الفرعية)
المقتطفات لتلخيص السلاسل الزمنية الطويلة
ملفات المصفوفة الشاملة لاختيار أفضل حجم (أحجام) لنافذة التتابع الفرعي
والمزيد ... <https://www.cs.ucr.edu/~eamonn/100_Time_Series_Data_Mining_Questions__with_Answers.pdf>__

سواء كنت أكاديميًا أو عالم بيانات أو مطور برمجيات أو متحمسًا للسلاسل الزمنية، فإن STUMPY سهلة التثبيت وهدفنا هو تمكينك من الوصول إلى رؤى السلاسل الزمنية الخاصة بك بشكل أسرع. راجع التوثيق <https://stumpy.readthedocs.io/en/latest/>__ لمزيد من المعلومات.

كيفية استخدام STUMPY

يرجى الاطلاع على توثيق API <https://stumpy.readthedocs.io/en/latest/api.html>__ للحصول على قائمة كاملة بالدوال المتاحة، وراجع الدروس التعليمية <https://stumpy.readthedocs.io/en/latest/tutorials.html>__ المفيدة للحصول على أمثلة أكثر شمولاً لحالات الاستخدام. أدناه، ستجد مقتطفات برمجية توضح بسرعة كيفية استخدام STUMPY.

الاستخدام النموذجي (بيانات السلاسل الزمنية أحادية البعد) مع STUMP <https://stumpy.readthedocs.io/en/latest/api.html#stumpy.stump>__:

.. code:: python

import stumpy
import numpy as np

if __name__ == "__main__":
    your_time_series = np.random.rand(10000)
    window_size = 50  # Approximately, how many data points might be found in a pattern 

    matrix_profile = stumpy.stump(your_time_series, m=window_size)

الاستخدام الموزع لبيانات السلاسل الزمنية أحادية البعد مع Dask Distributed عبر STUMPED <https://stumpy.readthedocs.io/en/latest/api.html#stumpy.stumped>__:

.. code:: python

import stumpy
import numpy as np
from dask.distributed import Client

if __name__ == "__main__":
    with Client() as dask_client:
        your_time_series = np.random.rand(10000)
        window_size = 50  # Approximately, how many data points might be found in a pattern 

        matrix_profile = stumpy.stumped(dask_client, your_time_series, m=window_size)

استخدام GPU لبيانات السلاسل الزمنية أحادية البعد مع GPU-STUMP <https://stumpy.readthedocs.io/en/latest/api.html#stumpy.gpu_stump>__:

.. code:: python

import stumpy
import numpy as np
from numba import cuda

if __name__ == "__main__":
    your_time_series = np.random.rand(10000)
    window_size = 50  # Approximately, how many data points might be found in a pattern
    all_gpu_devices = [device.id for device in cuda.list_devices()]  # Get a list of all available GPU devices

    matrix_profile = stumpy.gpu_stump(your_time_series, m=window_size, device_id=all_gpu_devices)

بيانات السلاسل الزمنية متعددة الأبعاد مع MSTUMP <https://stumpy.readthedocs.io/en/latest/api.html#stumpy.mstump>__:

.. code:: python

import stumpy
import numpy as np

if __name__ == "__main__":
    your_time_series = np.random.rand(3, 1000)  # Each row represents data from a different dimension while each column represents data from the same dimension
    window_size = 50  # Approximately, how many data points might be found in a pattern

    matrix_profile, matrix_profile_indices = stumpy.mstump(your_time_series, m=window_size)

تحليل بيانات السلاسل الزمنية متعددة الأبعاد الموزعة مع Dask Distributed MSTUMPED <https://stumpy.readthedocs.io/en/latest/api.html#stumpy.mstumped>__:

.. code:: python

import stumpy
import numpy as np
from dask.distributed import Client

if __name__ == "__main__":
    with Client() as dask_client:
        your_time_series = np.random.rand(3, 1000)   # Each row represents data from a different dimension while each column represents data from the same dimension
        window_size = 50  # Approximately, how many data points might be found in a pattern

        matrix_profile, matrix_profile_indices = stumpy.mstumped(dask_client, your_time_series, m=window_size)

سلاسل السلاسل الزمنية مع Anchored Time Series Chains (ATSC) <https://stumpy.readthedocs.io/en/latest/api.html#stumpy.atsc>__:

.. code:: python

import stumpy
import numpy as np

if __name__ == "__main__":
    your_time_series = np.random.rand(10000)
    window_size = 50  # Approximately, how many data points might be found in a pattern 
    
    matrix_profile = stumpy.stump(your_time_series, m=window_size)

    left_matrix_profile_index = matrix_profile[:, 2]
    right_matrix_profile_index = matrix_profile[:, 3]
    idx = 10  # Subsequence index for which to retrieve the anchored time series chain for

    anchored_chain = stumpy.atsc(left_matrix_profile_index, right_matrix_profile_index, idx)

    all_chain_set, longest_unanchored_chain = stumpy.allc(left_matrix_profile_index, right_matrix_profile_index)

التقسيم الدلالي مع Fast Low-cost Unipotent Semantic Segmentation (FLUSS) <https://stumpy.readthedocs.io/en/latest/api.html#stumpy.fluss>__:

.. code:: python

import stumpy
import numpy as np

stumpy

الأكثر شعبية

====== STUMPY

كيفية استخدام STUMPY