<?xml version="1.0" encoding="UTF-8"?><rss version="2.0"
	xmlns:content="http://purl.org/rss/1.0/modules/content/"
	xmlns:wfw="http://wellformedweb.org/CommentAPI/"
	xmlns:dc="http://purl.org/dc/elements/1.1/"
	xmlns:atom="http://www.w3.org/2005/Atom"
	xmlns:sy="http://purl.org/rss/1.0/modules/syndication/"
	xmlns:slash="http://purl.org/rss/1.0/modules/slash/"
	>

<channel>
	<title>Классический ML &#8212; &gt; Machine Learning Guru|</title>
	<atom:link href="https://mlgu.ru/category/classic-ml/feed/" rel="self" type="application/rss+xml" />
	<link>https://mlgu.ru</link>
	<description></description>
	<lastBuildDate>Fri, 20 Mar 2026 20:53:52 +0000</lastBuildDate>
	<language>ru-RU</language>
	<sy:updatePeriod>
	hourly	</sy:updatePeriod>
	<sy:updateFrequency>
	1	</sy:updateFrequency>
	<generator>https://wordpress.org/?v=6.9.4</generator>

<image>
	<url>https://mlgu.ru/wp-content/uploads/2025/06/mlguru-icon-150x150.png</url>
	<title>Классический ML &#8212; &gt; Machine Learning Guru|</title>
	<link>https://mlgu.ru</link>
	<width>32</width>
	<height>32</height>
</image> 
	<item>
		<title>Среднее арифметическое прогнозов. В чем магия?</title>
		<link>https://mlgu.ru/6991/</link>
		
		<dc:creator><![CDATA[dkrylov]]></dc:creator>
		<pubDate>Fri, 20 Mar 2026 20:35:54 +0000</pubDate>
				<category><![CDATA[Классический ML]]></category>
		<category><![CDATA[bagging]]></category>
		<category><![CDATA[stacking]]></category>
		<category><![CDATA[машинное обучение]]></category>
		<guid isPermaLink="false">https://mlgu.ru/?p=6991</guid>

					<description><![CDATA[В статистике и машинном обучении есть любопытный факт: среднее арифметическое нескольких прогнозов зачастую превосходит прогнозы большинства отдельных моделей — и это воспроизводится на данных из разных областей: от метеорологии до финансов. Этот эффект не интуитивен: кажется, что усреднение хорошей модели с плохой только ухудшит результат. На практике все работает иначе. В этой статье мы разберем [&#8230;]]]></description>
		
		
		
			</item>
		<item>
		<title>Байесовский информационный критерий (BIC)</title>
		<link>https://mlgu.ru/6984/</link>
		
		<dc:creator><![CDATA[dkrylov]]></dc:creator>
		<pubDate>Fri, 20 Mar 2026 19:19:56 +0000</pubDate>
				<category><![CDATA[Классический ML]]></category>
		<category><![CDATA[arima]]></category>
		<category><![CDATA[временные ряды]]></category>
		<category><![CDATA[машинное обучение]]></category>
		<category><![CDATA[стат анализ]]></category>
		<guid isPermaLink="false">https://mlgu.ru/?p=6984</guid>

					<description><![CDATA[Байесовский информационный критерий (BIC, Bayesian Information Criterion) — метрика для сравнения статистических моделей, балансирующая качество подгонки и сложность модели. Предложен Гидеоном Шварцем в 1978 году, поэтому в литературе встречается также как критерий Шварца (SBC, Schwarz Bayesian Criterion). Критерий BIC решает фундаментальную проблему выбора модели: чем больше параметров, тем лучше модель описывает обучающие данные — но [&#8230;]]]></description>
		
		
		
			</item>
		<item>
		<title>Прогнозирование динамики фьючерсов с XGBoost</title>
		<link>https://mlgu.ru/6954/</link>
		
		<dc:creator><![CDATA[dkrylov]]></dc:creator>
		<pubDate>Thu, 19 Mar 2026 20:53:35 +0000</pubDate>
				<category><![CDATA[Классический ML]]></category>
		<category><![CDATA[xgboost]]></category>
		<category><![CDATA[машинное обучение]]></category>
		<category><![CDATA[прогнозирование]]></category>
		<category><![CDATA[фьючерсы]]></category>
		<guid isPermaLink="false">https://mlgu.ru/?p=6954</guid>

					<description><![CDATA[Градиентный бустинг XGBoost занял устойчивое место в арсенале квант-аналитиков не случайно. На табличных данных с нелинейными зависимостями он стабильно превосходит линейные модели, а по скорости обучения и интерпретируемости выигрывает у нейросетей. Фьючерсные данные — именно тот тип данных, где эти преимущества реализуются в полной мере: высокая размерность признаков, нелинейные взаимодействия между ними, шум, превышающий сигнал [&#8230;]]]></description>
		
		
		
			</item>
		<item>
		<title>Современные методы STL декомпозиции (STL Decomposition)</title>
		<link>https://mlgu.ru/6944/</link>
		
		<dc:creator><![CDATA[dkrylov]]></dc:creator>
		<pubDate>Thu, 19 Mar 2026 08:24:08 +0000</pubDate>
				<category><![CDATA[Классический ML]]></category>
		<category><![CDATA[time series]]></category>
		<category><![CDATA[прогнозирование]]></category>
		<category><![CDATA[сплайны]]></category>
		<guid isPermaLink="false">https://mlgu.ru/?p=6944</guid>

					<description><![CDATA[STL (Seasonal and Trend decomposition using Loess) — один из фундаментальных инструментов анализа временных рядов. Метод разделяет ряд на три компоненты: тренд, сезонность и остаток. Это позволяет анализировать каждую составляющую независимо, строить более точные прогнозы и выделять аномалии. С момента публикации оригинальной работы Cleveland et al. (1990) метод существенно развился. Современные расширения снимают большинство ограничений [&#8230;]]]></description>
		
		
		
			</item>
		<item>
		<title>Библиотека Greykite в Python: установка, настройка и практические примеры прогнозирования рядов</title>
		<link>https://mlgu.ru/6928/</link>
		
		<dc:creator><![CDATA[dkrylov]]></dc:creator>
		<pubDate>Tue, 17 Mar 2026 20:41:58 +0000</pubDate>
				<category><![CDATA[Классический ML]]></category>
		<category><![CDATA[time series]]></category>
		<category><![CDATA[временные ряды]]></category>
		<category><![CDATA[обучение моделей]]></category>
		<category><![CDATA[прогнозирование]]></category>
		<guid isPermaLink="false">https://mlgu.ru/?p=6928</guid>

					<description><![CDATA[Greykite — библиотека для прогнозирования временных рядов с открытым исходным кодом, разработанная командой LinkedIn и выпущенная в 2021 году. Основу составляет алгоритм Silverkite — быстрая аддитивная модель, построенная на ridge-регрессии с богатым набором фич: тренд, сезонность, праздники, взаимодействия между компонентами. В отличие от большинства библиотек прогнозирования, Greykite дает полный контроль над структурой модели без необходимости [&#8230;]]]></description>
		
		
		
			</item>
		<item>
		<title>Масштабирование признаков в ML: StandardScaler, MinMaxScaler, RobustScaler и другие методы</title>
		<link>https://mlgu.ru/6713/</link>
		
		<dc:creator><![CDATA[dkrylov]]></dc:creator>
		<pubDate>Sat, 29 Nov 2025 12:53:59 +0000</pubDate>
				<category><![CDATA[Классический ML]]></category>
		<category><![CDATA[feature engineering]]></category>
		<category><![CDATA[sklearn]]></category>
		<category><![CDATA[аномалии]]></category>
		<category><![CDATA[машинное обучение]]></category>
		<guid isPermaLink="false">https://mlgu.ru/?p=6713</guid>

					<description><![CDATA[Масштабирование признаков — базовая процедура предобработки данных, влияющая на скорость обучения и качество предсказаний большинства алгоритмов машинного обучения. Признаки в датасете часто имеют разные единицы измерения и диапазоны значений: цена акции может варьироваться от $10 до $500, объем торгов — от сотен тысяч до миллиардов, а волатильность измеряется в процентах от 5% до 80%. Без [&#8230;]]]></description>
		
		
		
			</item>
		<item>
		<title>Градиентный бустинг: концепция и механизм работы</title>
		<link>https://mlgu.ru/6683/</link>
		
		<dc:creator><![CDATA[dkrylov]]></dc:creator>
		<pubDate>Sat, 29 Nov 2025 09:15:13 +0000</pubDate>
				<category><![CDATA[Классический ML]]></category>
		<category><![CDATA[catboost]]></category>
		<category><![CDATA[gbm]]></category>
		<category><![CDATA[sklearn]]></category>
		<category><![CDATA[xgboost]]></category>
		<category><![CDATA[машинное обучение]]></category>
		<category><![CDATA[прогнозирование]]></category>
		<guid isPermaLink="false">https://mlgu.ru/?p=6683</guid>

					<description><![CDATA[Градиентный бустинг относится к семейству ансамблевых методов машинного обучения, где финальное предсказание формируется как взвешенная сумма предсказаний множества слабых моделей. Ключевое отличие от других ансамблевых подходов — последовательное обучение, при котором каждая новая модель корректирует ошибки предыдущих. Алгоритм строит композицию из простых моделей (чаще всего деревьев решений малой глубины), добавляя их итеративно и минимизируя функцию [&#8230;]]]></description>
		
		
		
			</item>
		<item>
		<title>Случайный лес (Random Forest): механика алгоритма, Бутстрэп-агрегирование, out-of-bag оценка</title>
		<link>https://mlgu.ru/6622/</link>
		
		<dc:creator><![CDATA[dkrylov]]></dc:creator>
		<pubDate>Wed, 26 Nov 2025 19:41:47 +0000</pubDate>
				<category><![CDATA[Классический ML]]></category>
		<category><![CDATA[bootstraping]]></category>
		<category><![CDATA[random forest]]></category>
		<category><![CDATA[sklearn]]></category>
		<category><![CDATA[обучение моделей]]></category>
		<guid isPermaLink="false">https://mlgu.ru/?p=6622</guid>

					<description><![CDATA[Random Forest или Случайный лес — это ансамблевый алгоритм машинного обучения, объединяющий множество деревьев решений для повышения точности и устойчивости предсказаний. Алгоритм был предложен Лео Брейманом в 2001 году и с тех пор стал одним из наиболее используемых методов в задачах классификации и регрессии. Основное преимущество Random Forest — способность снижать дисперсию модели без существенного [&#8230;]]]></description>
		
		
		
			</item>
		<item>
		<title>Метод нелинейного снижения размерности t-SNE</title>
		<link>https://mlgu.ru/6555/</link>
		
		<dc:creator><![CDATA[dkrylov]]></dc:creator>
		<pubDate>Sat, 22 Nov 2025 18:55:24 +0000</pubDate>
				<category><![CDATA[Классический ML]]></category>
		<category><![CDATA[feature engineering]]></category>
		<category><![CDATA[pca]]></category>
		<category><![CDATA[sklearn]]></category>
		<category><![CDATA[кластеризация]]></category>
		<guid isPermaLink="false">https://mlgu.ru/?p=6555</guid>

					<description><![CDATA[Высокая размерность данных создает фундаментальную проблему &#8212; датасеты с сотнями и тысячами признаков плохо обучаются в моделях машинного обучения, плюс их невозможно визуализировать, что затрудняет понимание структуры данных, выявление паттернов и валидацию гипотез. Методы снижения размерности решают эту задачу, проецируя многомерные данные в пространство низкой размерности с сохранением важных характеристик исходного распределения. Однако не все [&#8230;]]]></description>
		
		
		
			</item>
		<item>
		<title>Детекция аномалий через Isolation Forest</title>
		<link>https://mlgu.ru/6491/</link>
		
		<dc:creator><![CDATA[dkrylov]]></dc:creator>
		<pubDate>Fri, 21 Nov 2025 21:25:05 +0000</pubDate>
				<category><![CDATA[Классический ML]]></category>
		<category><![CDATA[isolation forest]]></category>
		<category><![CDATA[sklearn]]></category>
		<category><![CDATA[аномалии]]></category>
		<guid isPermaLink="false">https://mlgu.ru/?p=6491</guid>

					<description><![CDATA[Аномалии в данных бывают разными. Большинство — это шум, ошибки сбора, сбитые логи или просто разовые всплески, которые искажают распределения и ухудшают работу моделей. Но среди них могут встречаться действительно важные точки — те, что указывают на сбои в системах, подозрительные действия пользователей или нетипичную динамику бизнес-показателей. В большинстве примеров из учебных пособий аномалии легко [&#8230;]]]></description>
		
		
		
			</item>
	</channel>
</rss>
