前回は、Raspberry Pi 4に保存したセンサデータを対象に、PyODのSpectral Residualで異常を検出するMCPサーバを構築しました。この話の最後に、データや目的に合わせて異常検知の手法を切り替える旨について、書きました。そこで今回は、PyODに入っている時系列データ向けの異常検出器について、調査し、その結果の違いを確認しました。試したのは次の7種類です。カテゴリ検出器概要W

前回は、Raspberry Pi 4に保存したセンサデータを対象に、PyODのSpectral Residualで異常を検出するMCPサーバを構築しました。この話の最後に、データや目的に合わせて異常検知の手法を切り替える旨について、書きました。 そこで今回は、PyODに入っている時系列データ向けの異常検出器について、調査し、その結果の違いを確認しました。 試したのは次の7種類です。 カテゴリ 検出器 概要 Windowed Bridge TimeSeriesOD スライディングウィンドウを適用することで、PyOD内の任意の表形式データ用検出器を時系列データに対して適用可能に...

以前、Raspberry Pi Pico Wを使って、Ambientサービスのようなシステムを構築しました。https://zenn.dev/drbobt1122/articles/blog26082301https://zenn.dev/drbobt1122/articles/blog26082701また、Raspberry Pi 4(以下、Pi 4)をMCP(Model Context Pro

YouTube video by Sébastien MARTY

Twitch is the world

YouTube video by TheKylieMinogueCN

YouTube video by Andrew Lloyd Webber - Topic

Do you think your laptop is a bit boring? We're here to provide you with unique dev and tech stickers to pimp up your own devices so that your laptop stands out.

A vulnerability was detected in yzhao062 pyod 3.5.0/3.5.1/3.5.2. Affected is the function pyod.utils.persistence.load of the file pyod/utils/persistence.py. Performing a manipulation of the argument path results in deserialization. The attack can be initiated remotely. The pull request to fix this issue requires some minor changes.

Pyodide is a Python distribution for the browser and Node.js based on WebAssembly - pyodide/pyodide

Close #356 I managed to make this all work locally, fingers crossed.

Description:Construct and analyze a dynamic customer–product transaction network using Pandas, NetworkX, TSFresh feature extraction, and PyOD anomaly detection. import pandas as pd import numpy as np import networkx as nx from tsfresh import extract_features from pyod.models.auto_encoder import AutoEncoder from sklearn.preprocessing import StandardScaler from datetime import datetime as dt # 1. Load & merge def load_data(trans_path: str, cust_path: str) -> pd.DataFrame: tx: pd.DataFrame = pd.read_csv(trans_path, parse_dates=['date']) cu: pd.DataFrame = pd.read_csv(cust_path) return tx.merge(cu, on='customer_id') # 2.

This project builds an Enterprise‑Scale Knowledge Graph by fusing tabular records, textual logs, and network data entirely in Pandas, augmented with graph analytics, NLP embeddings, temporal features, and anomaly detection pipelines for actionable insights. The code leverages Dask for scalability, NetworkX and Faiss for graph operations, HuggingFace transformers for text, PyOD for outlier detection, and integrates real‑time streaming hooks. (

PyOD (Python Outlier Detection) es una de las librerías más completas para detección de anomalías en Python, con 9,900 estrellas en GitHub y más de 46 millones