<?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>Нейронные сети &#8212; &gt; Machine Learning Guru|</title>
	<atom:link href="https://mlgu.ru/category/neural-networks/feed/" rel="self" type="application/rss+xml" />
	<link>https://mlgu.ru</link>
	<description></description>
	<lastBuildDate>Fri, 20 Mar 2026 11:30:24 +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>Нейронные сети &#8212; &gt; Machine Learning Guru|</title>
	<link>https://mlgu.ru</link>
	<width>32</width>
	<height>32</height>
</image> 
	<item>
		<title>Анализ временных рядов с помощью нейросетей: полный обзор подходов</title>
		<link>https://mlgu.ru/6970/</link>
		
		<dc:creator><![CDATA[dkrylov]]></dc:creator>
		<pubDate>Fri, 20 Mar 2026 11:14:12 +0000</pubDate>
				<category><![CDATA[Нейронные сети]]></category>
		<category><![CDATA[lstm]]></category>
		<category><![CDATA[n-beats]]></category>
		<category><![CDATA[rnn]]></category>
		<category><![CDATA[time series]]></category>
		<category><![CDATA[временные ряды]]></category>
		<category><![CDATA[нейросети]]></category>
		<category><![CDATA[прогнозирование]]></category>
		<guid isPermaLink="false">https://mlgu.ru/?p=6970</guid>

					<description><![CDATA[Анализ временных рядов — одна из наиболее частых задач, с которой сталкиваются аналитики и дата-саентисты: трафик сайтов, экономические показатели, продажи и спрос, биржевые котировки, потребление электроэнергии, датчики IoT, медицинские сигналы&#8230; Все это временные ряды. Несмотря на то, что эта область очень хорошо изучена, моделирование и прогнозирование временных рядов по-прежнему остается одной из наиболее сложных задач. [&#8230;]]]></description>
		
		
		
			</item>
		<item>
		<title>Виды функций потерь в машинном обучении</title>
		<link>https://mlgu.ru/6368/</link>
		
		<dc:creator><![CDATA[dkrylov]]></dc:creator>
		<pubDate>Tue, 18 Nov 2025 22:17:07 +0000</pubDate>
				<category><![CDATA[Нейронные сети]]></category>
		<category><![CDATA[pytorch]]></category>
		<category><![CDATA[классификация]]></category>
		<category><![CDATA[обучение моделей]]></category>
		<category><![CDATA[сегментация]]></category>
		<guid isPermaLink="false">https://mlgu.ru/?p=6368</guid>

					<description><![CDATA[Функция потерь — это способ «сообщить» модели, какие ошибки наиболее критичны. Математическая формулировка напрямую влияет на поведение модели во время обучения: какие ошибки минимизируются в приоритетном порядке, как модель реагирует на выбросы и насколько агрессивно оптимизирует параметры. Оптимизация этой функции через градиентный спуск составляет основу обучения моделей машинного обучения. Разные типы задач требуют разных функций [&#8230;]]]></description>
		
		
		
			</item>
		<item>
		<title>Градиенты: от затухания до взрыва. Методы стабилизации</title>
		<link>https://mlgu.ru/6346/</link>
		
		<dc:creator><![CDATA[dkrylov]]></dc:creator>
		<pubDate>Sun, 16 Nov 2025 08:28:42 +0000</pubDate>
				<category><![CDATA[Нейронные сети]]></category>
		<category><![CDATA[deep learning]]></category>
		<category><![CDATA[pytorch]]></category>
		<category><![CDATA[rnn]]></category>
		<category><![CDATA[обучение моделей]]></category>
		<guid isPermaLink="false">https://mlgu.ru/?p=6346</guid>

					<description><![CDATA[Глубокие нейронные сети решают задачи классификации, регрессии и прогнозирования временных рядов. Обучение таких моделей основано на методе обратного распространения ошибки (backpropagation), который вычисляет градиенты функции потерь по параметрам сети. Градиенты определяют направление и величину обновления весов. Чем больше нейронная сеть, тем сложнее контролировать градиенты. В сетях с десятками слоев возникает проблема: градиенты либо экспоненциально уменьшаются [&#8230;]]]></description>
		
		
		
			</item>
		<item>
		<title>Прогнозирование временных рядов с xLSTM</title>
		<link>https://mlgu.ru/6212/</link>
		
		<dc:creator><![CDATA[dkrylov]]></dc:creator>
		<pubDate>Thu, 13 Nov 2025 20:51:14 +0000</pubDate>
				<category><![CDATA[Нейронные сети]]></category>
		<category><![CDATA[lstm]]></category>
		<category><![CDATA[pytorch]]></category>
		<category><![CDATA[временные ряды]]></category>
		<category><![CDATA[нейросети]]></category>
		<category><![CDATA[прогнозирование]]></category>
		<guid isPermaLink="false">https://mlgu.ru/?p=6212</guid>

					<description><![CDATA[Классические модели прогнозирования временных рядов, такие как градиентный бустинг, хорошо работают на табличных данных и с короткими историческими окнами. Однако при анализе длинных последовательностей и рядов с взаимозависимыми признаками их эффективность драматически падает. В таких случаях стоит присмотреться к нейронным сетям, так как они лучше моделируют сложные временные зависимости. Одним из интересных решений в этой [&#8230;]]]></description>
		
		
		
			</item>
		<item>
		<title>Основы MLOps: как развернуть ML-модель в production</title>
		<link>https://mlgu.ru/5029/</link>
		
		<dc:creator><![CDATA[dkrylov]]></dc:creator>
		<pubDate>Mon, 06 Oct 2025 21:38:34 +0000</pubDate>
				<category><![CDATA[Нейронные сети]]></category>
		<category><![CDATA[mlops]]></category>
		<category><![CDATA[scipy]]></category>
		<category><![CDATA[инференс]]></category>
		<category><![CDATA[мониторинг]]></category>
		<guid isPermaLink="false">https://mlgu.ru/?p=5029</guid>

					<description><![CDATA[В последние годы MLOps стал неотъемлемой частью жизненного цикла машинного обучения. Если раньше работа дата-сайентиста заканчивалась на этапе обучения модели, то сегодня ключевая задача — обеспечить стабильное и масштабируемое развертывание модели в production. MLOps объединяет подходы DevOps и машинного обучения, помогая автоматизировать процесс от подготовки данных и обучения до мониторинга и обновления моделей. Это позволяет [&#8230;]]]></description>
		
		
		
			</item>
		<item>
		<title>LSTM для прогнозирования волатильности: многослойные архитектуры и sequence-to-sequence подходы</title>
		<link>https://mlgu.ru/4634/</link>
		
		<dc:creator><![CDATA[dkrylov]]></dc:creator>
		<pubDate>Fri, 26 Sep 2025 12:10:51 +0000</pubDate>
				<category><![CDATA[Нейронные сети]]></category>
		<category><![CDATA[deep learning]]></category>
		<category><![CDATA[lstm]]></category>
		<category><![CDATA[pytorch]]></category>
		<category><![CDATA[волатильность]]></category>
		<category><![CDATA[временные ряды]]></category>
		<category><![CDATA[моделирование риска]]></category>
		<category><![CDATA[прогнозирование]]></category>
		<guid isPermaLink="false">https://mlgu.ru/?p=4634</guid>

					<description><![CDATA[В течение последних нескольких лет работы с временными рядами финансовых данных я неоднократно сталкивался с проблемой прогнозирования волатильности. Классические GARCH модели и их вариации показывают ограниченную эффективность при краткосрочных и intraday-стратегиях, особенно когда рынок демонстрирует резкие структурные сдвиги. Сегодня хочу поделиться своими наблюдениями о применении LSTM архитектур для решения этой задачи &#8212; от базовых многослойных [&#8230;]]]></description>
		
		
		
			</item>
		<item>
		<title>Нейросети для прогнозирования последовательных данных</title>
		<link>https://mlgu.ru/3598/</link>
		
		<dc:creator><![CDATA[dkrylov]]></dc:creator>
		<pubDate>Mon, 21 Jul 2025 09:45:59 +0000</pubDate>
				<category><![CDATA[Нейронные сети]]></category>
		<category><![CDATA[deep learning]]></category>
		<category><![CDATA[time series]]></category>
		<category><![CDATA[временные ряды]]></category>
		<category><![CDATA[прогнозирование]]></category>
		<guid isPermaLink="false">https://mlgu.ru/?p=3598</guid>

					<description><![CDATA[В мире, где объемы данных растут экспоненциально, способность точно прогнозировать будущие значения становится не просто конкурентным преимуществом, а необходимостью. Для решения этой задачи все больше компаний внедряют машинное обучение. И самым передовым подходом машинного обучения являются нейронные сети. Нейросети сегодня применяются для разного круга задач: детекция изображений, генерация текста и изображений, саммаризация и т. д. [&#8230;]]]></description>
		
		
		
			</item>
		<item>
		<title>Что такое градиентный спуск и как он используется для оптимизации функций?</title>
		<link>https://mlgu.ru/2938/</link>
		
		<dc:creator><![CDATA[dkrylov]]></dc:creator>
		<pubDate>Tue, 24 Jun 2025 09:05:37 +0000</pubDate>
				<category><![CDATA[Нейронные сети]]></category>
		<category><![CDATA[deep learning]]></category>
		<category><![CDATA[нейросети]]></category>
		<category><![CDATA[обучение моделей]]></category>
		<guid isPermaLink="false">https://mlgu.ru/?p=2938</guid>

					<description><![CDATA[Градиентный спуск &#8212; это не просто метод оптимизации. Это философия поиска оптимума, основанная на понимании локальной геометрии функции потерь. Алгоритм этого метода довольно прост: движение в направлении, противоположном градиенту, с целью прийти к минимуму. Однако за этой простотой скрывается удивительная глубина, которую я постараюсь раскрыть в этой статье. Математические основы: геометрия оптимизации Прежде чем погружаться [&#8230;]]]></description>
		
		
		
			</item>
		<item>
		<title>Foundation-модели для временных рядов</title>
		<link>https://mlgu.ru/2709/</link>
		
		<dc:creator><![CDATA[dkrylov]]></dc:creator>
		<pubDate>Wed, 11 Jun 2025 23:07:17 +0000</pubDate>
				<category><![CDATA[Нейронные сети]]></category>
		<category><![CDATA[deep learning]]></category>
		<category><![CDATA[time series]]></category>
		<category><![CDATA[zero shot forecasting]]></category>
		<category><![CDATA[временные ряды]]></category>
		<category><![CDATA[математическое моделирование]]></category>
		<category><![CDATA[прогнозирование]]></category>
		<guid isPermaLink="false">https://mlgu.ru/?p=2709</guid>

					<description><![CDATA[В последние годы я наблюдаю значительный прогресс исследований в области анализа временных рядов. В том числе в ML-моделях. То, что раньше требовало месяцев кропотливой работы, связанной с генерацией признаков и тонкой настройки специализированных моделей, теперь может быть решено с помощью Foundation-моделей буквально за несколько часов. Эта технология не просто улучшает точность прогнозов — она полностью [&#8230;]]]></description>
		
		
		
			</item>
		<item>
		<title>PatchTST: Трансформер для прогнозирования временных рядов</title>
		<link>https://mlgu.ru/2535/</link>
		
		<dc:creator><![CDATA[dkrylov]]></dc:creator>
		<pubDate>Thu, 29 May 2025 18:37:24 +0000</pubDate>
				<category><![CDATA[Нейронные сети]]></category>
		<category><![CDATA[patchtst]]></category>
		<category><![CDATA[time series]]></category>
		<category><![CDATA[временные ряды]]></category>
		<category><![CDATA[нейросети]]></category>
		<category><![CDATA[прогнозирование]]></category>
		<category><![CDATA[трансформеры]]></category>
		<guid isPermaLink="false">https://mlgu.ru/?p=2535</guid>

					<description><![CDATA[За последние годы область прогнозирования временных рядов сделала ощутимый скачок вперед благодаря внедрению архитектур трансформеров. Если раньше в этой области полновластно доминировали бустинги, рекуррентные нейронные сети и классические статистические методы, то сегодня мы наблюдаем настоящий прорыв в точности и эффективности нейросетевых моделей. Одной из наиболее значимых инноваций стала архитектура PatchTST, которая не просто адаптировала трансформеры [&#8230;]]]></description>
		
		
		
			</item>
	</channel>
</rss>
