# > Machine Learning Guru|

> Admin Email: kdmbroker@gmail.com

## Full Content Export
- **URL**: https://mlgu.ru/llms-full.txt


## Записи

- [Скользящие оконные функции в Pandas](https://mlgu.ru/6872/)
- [Продвинутые статистические тесты в Python: причинность, бустрэп и непараметрические методы](https://mlgu.ru/6847/)
- [EGARCH, TGARCH, FIGARCH для моделирования асимметричной волатильности](https://mlgu.ru/6807/)
- [Автоматизация заполнения пропусков на основе сравнения 14 методов](https://mlgu.ru/6784/)
- [Собственные числа и собственные векторы в финансах: разложения PCA и SVD](https://mlgu.ru/6756/)
- [Обзор книги "Apache Superset Quick Start Guide"](https://mlgu.ru/6742/)
- [Масштабирование признаков в ML: StandardScaler, MinMaxScaler, RobustScaler и другие методы](https://mlgu.ru/6713/)
- [Градиентный бустинг: концепция и механизм работы](https://mlgu.ru/6683/)
- [Винрейт (Winrate) и Соотношение риск/прибыль (Risk/Reward Ratio, RRR)](https://mlgu.ru/6668/)
- [Портфель максимальной диверсификации (Maximum Diversification Portfolio)](https://mlgu.ru/6651/)
- [Портфель минимальной волатильности (Minimum Variance Portfolio)](https://mlgu.ru/6636/)
- [Случайный лес (Random Forest): механика алгоритма, Бутстрэп-агрегирование, out-of-bag оценка](https://mlgu.ru/6622/)
- [Матрица ковариаций: проблемы выборочной оценки](https://mlgu.ru/6601/)
- [Библиотека SciPy: оптимизация, статистика и численные методы в Python](https://mlgu.ru/6572/)
- [Метод нелинейного снижения размерности t-SNE](https://mlgu.ru/6555/)
- [Обзор книги "Аналитика в Power BI с помощью R и Python" (Р. Уэйд)](https://mlgu.ru/6548/)
- [Обзор книги "Изучаем SQL. Генерация, выборка и обработка данных" (А. Болье, 3-е изд.)](https://mlgu.ru/6543/)
- [Обзор книги "Как вытащить из данных максимум" (Д. Морроу)](https://mlgu.ru/6534/)
- [Обзор книги "Анализ и визуализация данных в Yandex DataLens. Подробное руководство (А. Гинько)"](https://mlgu.ru/6530/)
- [Обзор книги "Data Mining: Извлечение информации из Facebook, Twitter, LinkedIn, Instagram, GitHub" (М. Рассел)](https://mlgu.ru/6524/)
- [Обзор книги "Доверительное A/B тестирование: Практическое руководство по контролируемым экспериментам" (Р. Кохави, Д. Танг)](https://mlgu.ru/6516/)
- [Обзор книги "Kalman and Bayesian Filters in Python" (R. Labbe)](https://mlgu.ru/6511/)
- [Детекция аномалий через Isolation Forest](https://mlgu.ru/6491/)
- [Машинное обучение для A/B тестов: практический гайд по CUPAC](https://mlgu.ru/6414/)
- [Тест Чоу (Chow Test) для определения структурных сдвигов временных рядов](https://mlgu.ru/6404/)
- [Виды функций потерь в машинном обучении](https://mlgu.ru/6368/)
- [Долгосрочное прогнозирование динамики облигаций с помощью ансамбля статистических моделей](https://mlgu.ru/6354/)
- [Градиенты: от затухания до взрыва. Методы стабилизации](https://mlgu.ru/6346/)
- [Методы анализа финансовых деривативов](https://mlgu.ru/6337/)
- [Что такое деривативы? И для чего они используются?](https://mlgu.ru/6300/)
- [Прогнозирование временных рядов с xLSTM](https://mlgu.ru/6212/)
- [Гипотеза эффективного рынка: слабая, полусильная, сильная формы](https://mlgu.ru/6194/)
- [Продвинутые способы кросс-валидации, разделения выборок рядов: Expanding Window Splitter, Blocked Time Series Split и другие](https://mlgu.ru/6167/)
- [Деревья решений: алгоритм CART, критерии разбиения и практическое применение](https://mlgu.ru/6147/)
- [Бэктестинг: что это такое и как правильно его проводить](https://mlgu.ru/6131/)
- [Регуляризация: L1 (Lasso) vs L2 (Ridge). Борьба с переобучением, отбор признаков](https://mlgu.ru/6120/)
- [Матожидание в статистике и трейдинге](https://mlgu.ru/6108/)
- [Закон больших чисел в портфельной теории](https://mlgu.ru/6099/)
- [Обнаружение зон концентрации ликвидности на кластерных графиках](https://mlgu.ru/6084/)
- [Байесовская статистика и вывод в анализе рынков](https://mlgu.ru/6056/)
- [Мониторинг ML-моделей: детекция дрифта и снижения метрик качества](https://mlgu.ru/6036/)
- [Скорость и ускорение в последовательностях временных рядов. Методы расчета](https://mlgu.ru/6001/)
- [Задачи оптимизации в биржевой торговле и методы их решения](https://mlgu.ru/5969/)
- [Wavelet-анализ финансовых данных: преобразование Фурье vs вейвлеты, многомасштабный анализ волатильности](https://mlgu.ru/5927/)
- [Модель ETS для прогнозирования временных рядов](https://mlgu.ru/5840/)
- [Алгоритмы оценки хеджирующих стратегий](https://mlgu.ru/5764/)
- [Топ-10 лучших инструментов MLOps: сравнение и выбор](https://mlgu.ru/5721/)
- [Жадные алгоритмы: базовые принципы и их применение в количественном анализе](https://mlgu.ru/5649/)
- [Feature Store: централизованное хранилище признаков для ML](https://mlgu.ru/5509/)
- [Фрактальный анализ финансовых рынков: показатель Херста, R/S анализ, фрактальная размерность временных рядов](https://mlgu.ru/5493/)
- [Обучение baseline моделей для временных рядов: инжиниринг признаков, регуляризация, оценка качества](https://mlgu.ru/5446/)
- [Топ-10 API для биржевой торговли](https://mlgu.ru/5419/)
- [Виды статистических распределений в финансах: их интерпретация и применение](https://mlgu.ru/5382/)
- [Важность признаков полученных из ML-моделей (Feature Importance)](https://mlgu.ru/5322/)
- [Экстремальная теория значений (EVT): моделирование хвостовых рисков, оценка VaR и Expected Shortfall](https://mlgu.ru/5302/)
- [Return on Investment (ROI) и Return on Invested Capital (ROIC)](https://mlgu.ru/5265/)
- [Ускорение численных вычислений в Python: Numba, JIT на примерах из Data Science](https://mlgu.ru/5210/)
- [Чем отличается финансовый ML от других видов машинного обучения](https://mlgu.ru/5131/)
- [Показатели ликвидности акций и методы их расчета](https://mlgu.ru/5097/)
- [Копулы в финансовом моделировании: зависимости между случайными величинами](https://mlgu.ru/5060/)
- [Основы MLOps: как развернуть ML-модель в production](https://mlgu.ru/5029/)
- [Тестирование статистических гипотез с помощью Python](https://mlgu.ru/4993/)
- [Показатели TWR (Time-Weighted Return), MWR (Money-Weighted Return) и MDR (Modified Dietz Return)](https://mlgu.ru/4965/)
- [Алгоритмы сбора биржевых данных: практическое руководство](https://mlgu.ru/4916/)
- [ИИ Инвестирование (AI Investing): Что это? Преимущества и недостатки подхода](https://mlgu.ru/4878/)
- [NPV (Net Present Value, Чистая приведенная стоимость)](https://mlgu.ru/4859/)
- [Прогнозирование вероятности дефолта через логистическую регрессию](https://mlgu.ru/4829/)
- [Применение Python для среднесрочной торговли на Forex: разработка скринера трендов](https://mlgu.ru/4785/)
- [Алгоритмы расчета точек безубыточности стратегий](https://mlgu.ru/4731/)
- [Как анализировать финансовые коэффициенты для выбора перспективных активов?](https://mlgu.ru/4674/)
- [LSTM для прогнозирования волатильности: многослойные архитектуры и sequence-to-sequence подходы](https://mlgu.ru/4634/)
- [IRR (внутренняя норма доходности) инвестиций](https://mlgu.ru/4613/)
- [CAGR (среднегодовая доходность) инвестиций](https://mlgu.ru/4602/)
- [Модели переключения режимов (Regime Switching) для моделирования изменений финансовых рынков](https://mlgu.ru/4572/)
- [Библиотека ETNA в Python для прогнозирования временных рядов](https://mlgu.ru/4517/)
- [Расширенные методы тестирования стационарности рядов: тесты KPSS, Phillips-Perron и другие](https://mlgu.ru/4490/)
- [Библиотека typing в Python для решения задач типизации](https://mlgu.ru/4474/)
- [Настройки градиентного бустинга. Гиперпараметры бустинговых ML-моделей](https://mlgu.ru/4445/)
- [Техники энкодинга (encoding) категориальных атрибутов](https://mlgu.ru/4083/)
- [Метрики качества ML-моделей: Accuracy, Precision, Recall, F1 Score, ROC-AUC](https://mlgu.ru/4057/)
- [Винеровские процессы в биржевой торговле](https://mlgu.ru/4008/)
- [Модели временной структуры процентных ставок: Hull-White, Cox-Ingersoll-Ross (CIR) и другие одно- и многофакторные модели](https://mlgu.ru/3956/)
- [Сколько зарабатывают кванты в США](https://mlgu.ru/3923/)
- [Греки опционов (Delta, Gamma, Theta, Vega, Rho). Расчет и интерпретация чувствительности опционов к различным факторам](https://mlgu.ru/3895/)
- [Базы данных для хранения торговых данных: PostgreSQL, Redis, TimescaleDB](https://mlgu.ru/3867/)
- [Формула Блэка-Шоулза: предположения модели, расчет справедливой стоимости опционов](https://mlgu.ru/3850/)
- [Продвинутый Python для финансов: декораторы, контекстные менеджеры и метаклассы](https://mlgu.ru/3782/)
- [Критерий Келли: научный подход к выбору размера позиции в трейдинге](https://mlgu.ru/3740/)
- [Stock Sell-Off или массовые сбросы акций: причины, кейсы, стратегии трейдинга](https://mlgu.ru/3681/)
- [Робастная оптимизация портфеля: методы улучшения диверсификации](https://mlgu.ru/3641/)
- [Нейросети для прогнозирования последовательных данных](https://mlgu.ru/3598/)
- [Доверительная вероятность и уровень значимости в финансовом Data Science](https://mlgu.ru/3565/)
- [Преобразование Бокса-Кокса и ADF тест (Дики-Фуллера)](https://mlgu.ru/3548/)
- [Ad hoc задачи в финансовой аналитике](https://mlgu.ru/3496/)
- [CUPED: инструмент для повышения чувствительности A/B тестов](https://mlgu.ru/3479/)
- [Виды доходностей: логдоходность, геометрическая, нормализованная, стохастическая](https://mlgu.ru/3462/)
- [Расчет метрик прибыльности биржевых стратегий с помощью Python](https://mlgu.ru/3436/)
- [Модель Vasicek: моделирование процентных ставок](https://mlgu.ru/3429/)
- [Информационные критерии: AIC (Akaike Information Criterion) и BIC (Bayesian Information Criterion)](https://mlgu.ru/3400/)
- [Частные производные: базовые понятия и их применение в финансовой аналитике](https://mlgu.ru/3390/)
- [Обзор книги «Python и машинное обучение» (С. Рашка, ДМК Пресс, 2017, 1-е издание)](https://mlgu.ru/3377/)
- [Библиотека sktime для анализа временных рядов](https://mlgu.ru/3319/)
- [Обзор книги «Python для финансовых расчетов» (2021, 2-е издание, И. Хилпиш)](https://mlgu.ru/3313/)
- [Марковские цепи Монте-Карло (Markov Chain Monte-Carlo, MCMC)](https://mlgu.ru/3222/)
- [Методы разделения деревьев решений: Gini, Энтропия, Gain Ratio, Хи-квадрат, Variance Reduction, Classification Error](https://mlgu.ru/3182/)
- [Коинтеграция временных рядов: базовые понятия и методы проверки](https://mlgu.ru/3145/)
- [Символьные вычисления на Python в количественном анализе](https://mlgu.ru/3110/)
- [MSE, RMSE, MAE, MAPE для оценки качества прогнозов временных рядов](https://mlgu.ru/3091/)
- [Выпуклое программирование в финансовой аналитике](https://mlgu.ru/3058/)
- [Обзор книги Introduction to Time Series Analysis (A. Illukkumbura)](https://mlgu.ru/3053/)
- [Обзор книги «Основы искусственного интеллекта в примерах на Python» (А. Постолит)](https://mlgu.ru/3044/)
- [Криптовалюты: базовые принципы ценобразования и торговли, особенности и риски](https://mlgu.ru/3021/)
- [Методы аппроксимации временных рядов](https://mlgu.ru/2982/)
- [Walk-Forward анализ на практике. Правильное тестирование стратегий на временных рядах](https://mlgu.ru/2962/)
- [Обзор книги "Алгоритмы неформально" (Б. Такфилд)](https://mlgu.ru/2956/)
- [Обзор книги "Python и машинное обучение" (Себастьян Рашка)](https://mlgu.ru/2951/)
- [Buy или Sell: как бы решал эту задачу Бернулли?](https://mlgu.ru/2944/)
- [Что такое градиентный спуск и как он используется для оптимизации функций?](https://mlgu.ru/2938/)
- [Обзор книги "Байесовские модели" (Think Bayes: Bayesian Statistics in Python)](https://mlgu.ru/2934/)
- [Байесовская модель пространственно-временного ряда (Bayesian State-Space Time Series Model)](https://mlgu.ru/2896/)
- [Обзор книги «Аналитическая культура. От сбора данных до бизнес-результатов» (К. Андерсон)](https://mlgu.ru/2887/)
- [Обзор книги «Python и анализ данных» (2020) Уэса Маккини](https://mlgu.ru/2881/)
- [Стохастические процессы с дискретным временем (DTSP): применение в биржевой аналитике](https://mlgu.ru/2873/)
- [Анализ статистических свойств распределения: асимметрия, эксцесс и нормальность](https://mlgu.ru/2853/)
- [Как правильно выбирать активы в биржевой портфель: подход институциональных инвесторов](https://mlgu.ru/2833/)
- [Лаговые переменные и их правильное использование. Избегаем data leakage в финансовых моделях](https://mlgu.ru/2812/)
- [Библиотека yfinance и API Yahoo Finance: методы загрузки данных, фильтры, параметры](https://mlgu.ru/2777/)
- [Автокорреляция (ACF) и частичная автокорреляция (PACF) в биржевом анализе](https://mlgu.ru/2749/)
- [Foundation-модели для временных рядов](https://mlgu.ru/2709/)
- [Метод главных компонент (PCA) и факторный анализ (FA) данных](https://mlgu.ru/2676/)
- [Что такое Альфа-доходность и как ее получить?](https://mlgu.ru/2657/)
- [Этапы разработки биржевых торговых стратегий](https://mlgu.ru/2632/)
- [Что такое арбитраж на биржах и как он работает?](https://mlgu.ru/2601/)
- [PatchTST: Трансформер для прогнозирования временных рядов](https://mlgu.ru/2535/)
- [Вероятностные модели для прогнозирования цен биржевых активов](https://mlgu.ru/2500/)
- [Сглаживание временных рядов полиномиальными регрессиями. Типы регрессий](https://mlgu.ru/2475/)
- [Гомоскедастичность и Гетероскедастичность временных рядов](https://mlgu.ru/2440/)
- [Эконометрика в биржевой аналитике: современные подходы и методы](https://mlgu.ru/2401/)
- [Обзор статьи Stock Prices Prediction using Deep Learning Models (Jialin Liu, Fei Chao, Yu-Chen Lin)](https://mlgu.ru/2397/)
- [23 способа визуализации котировок с помощью Mplfinance](https://mlgu.ru/2326/)
- [Модели ценообразования активов: CAPM и APT](https://mlgu.ru/2289/)
- [Statsmodels: анализ финансовых временных рядов](https://mlgu.ru/2257/)
- [Обзор книги Forecasting Time Series Data with Prophet: Build, improve amd optimize time series forecasting](https://mlgu.ru/2253/)
- [Изучаем опционы на Netflix: комплексный анализ и стратегии](https://mlgu.ru/2214/)
- [Опционы: базовые принципы и их использование](https://mlgu.ru/2193/)
- [Сравнение временных финансовых рядов: методы, метрики и примеры на Python](https://mlgu.ru/2163/)
- [Корреляция и ковариация в финансах: анализ взаимосвязи между активами](https://mlgu.ru/2126/)
- [Основы количественного анализа и моделирования финансовых рынков](https://mlgu.ru/2070/)
- [Обзор книги "Практический анализ временных рядов: прогнозирование со статистикой и машинное обучение"](https://mlgu.ru/2064/)
- [16 способов визуализации биржевых данных с помощью Matplotlib](https://mlgu.ru/2012/)
- [Что такое алгоритмическая торговля и как она работает?](https://mlgu.ru/1929/)
- [Расчет показателей доходности и риска биржевой торговли на Python](https://mlgu.ru/1876/)
- [Что такое хеджирование и как оно работает?](https://mlgu.ru/1847/)
- [Обзор книги Discovery of Ill-Known Motifs in Time Series Data](https://mlgu.ru/1838/)
- [Основы оценки рисков и доходности биржевого портфеля](https://mlgu.ru/1813/)
- [Модели GARCH: моделирование волатильности](https://mlgu.ru/1778/)
- [Обзор книги Advanced Algorithmic Trading: Bayesian Statistics, Time Series Analysis and Machine Learning for Profitable Trading Strategies by Michael L. Halls-Moore](https://mlgu.ru/1771/)
- [Что такое регрессионный анализ и как он работает?](https://mlgu.ru/1750/)
- [Алгоритмы программирования. Что важно знать трейдеру и инвестору?](https://mlgu.ru/1725/)
- [Как читать спецификации фьючерсов: на примерах E-mini SP500, Brent, Gold, 10-year Treasury Notes](https://mlgu.ru/1709/)
- [Фьючерсы: назначение, виды контрактов, сроки, маржа](https://mlgu.ru/1692/)
- [Показатели Альфа, Бета, коэффициент Шарпа: Расчеты в Python](https://mlgu.ru/1645/)
- [Матричные операции в финансах и биржевой аналитике](https://mlgu.ru/1610/)
- [Тренды временных рядов: Как вычислить их направление и силу?](https://mlgu.ru/1571/)
- [Массивы NumPy и Pandas. Техники дескриптивного анализа](https://mlgu.ru/1535/)
- [Анализ фьючерса на Brent с помощью Pandas, Sklearn, Hmmlearn](https://mlgu.ru/1495/)
- [Основы диверсификации биржевых портфелей](https://mlgu.ru/1482/)
- [Применение NumPy для финансового анализа](https://mlgu.ru/1447/)
- [Основные метрики для анализа финансовых и биржевых данных](https://mlgu.ru/1435/)
- [Волатильность акций, облигаций, деривативов. Как ее посчитать?](https://mlgu.ru/1361/)
- [Сезонность временных рядов. В чем отличие аддитивной от мультипликативной?](https://mlgu.ru/1318/)
- [Линейная алгебра: векторы и матрицы в финансовой математике](https://mlgu.ru/1305/)
- [Хедж-фонды: Как они работают и за счет чего обгоняют индексы и классические инвестфонды](https://mlgu.ru/1290/)
- [Теория вероятностей и биржевая торговля](https://mlgu.ru/1283/)
- [Стационарность временных рядов. Как анализировать нестационарные данные?](https://mlgu.ru/1245/)
- [Рынки капитала: акции, облигации, деривативы. Основы ценообразования и оценки](https://mlgu.ru/1234/)
- [Кто такие квант-аналитики (Quantitative Analysts) и чем они занимаются?](https://mlgu.ru/1215/)
- [РРС на максималках: Чему я научился, управляя контекстной рекламой с бюджетом более $100 млн](https://mlgu.ru/1139/)
- [Анализ данных с Python на примере исследования изменения температуры в мире и России](https://mlgu.ru/1088/)
- [RFM-анализ с помощью Python](https://mlgu.ru/1071/)
- [Анализ данных с Python на примере инцидентов с автобусами Лондона](https://mlgu.ru/1023/)
- [Расчет доверительных интервалов и уровня значимости с Python](https://mlgu.ru/1016/)
- [Оптимизация цепочек поставок с помощью машинного обучения](https://mlgu.ru/1011/)
- [Прогнозирование трафика и конверсий сайта с помощью Catboost](https://mlgu.ru/1004/)
- [Анализ песен рейтинга Billboard Top-100 с 1958 по 2023 гг](https://mlgu.ru/943/)
- [Как предсказать отток клиентов с помощью машинного обучения](https://mlgu.ru/920/)
- [Прогнозирование временных рядов с помощью ARIMA, SARIMA, ARFIMA](https://mlgu.ru/909/)
- [A/B-тестирование маркетинговых кампаний с помощью Python](https://mlgu.ru/871/)
- [Поиск аномалий в данных с Python](https://mlgu.ru/861/)
- [Продвинутые методы предиктивной аналитики с глубокими нейронными сетями](https://mlgu.ru/848/)
- [Классические методы предиктивной аналитики](https://mlgu.ru/842/)
- [Поиск причинно-следственных связей с помощью Python](https://mlgu.ru/796/)
- [Создание ML-модели прогноза действий пользователей интернет-магазина и рекомендательной системы](https://mlgu.ru/779/)
- [Профессиональный анализ данных бизнеса с помощью Python и Pandas](https://mlgu.ru/684/)
- [Прогнозирование временных рядов с помощью N-HITS, N-BEATS](https://mlgu.ru/667/)
- [Big Data исследование: Снимали ли кино раньше лучше, чем сейчас?](https://mlgu.ru/634/)
- [База данных веб-аналитики: Топ 30 основных запросов в SQL](https://mlgu.ru/620/)
- [Анализ поездок в такси с помощью статистических методов](https://mlgu.ru/581/)
- [Прогнозирование трафика и конверсий сайта с помощью SVM, SVR (опорных векторов)](https://mlgu.ru/558/)
- [Выявление скрытых причин снижения прибыли сайта](https://mlgu.ru/535/)
- [Находим неочевидные инсайты с визуализацией продаж в Tableau](https://mlgu.ru/528/)
- [Определение лучших источников трафика сайта с помощью Python](https://mlgu.ru/515/)
- [Анализ эффективности в спорте на примере Криштиано Роналду](https://mlgu.ru/490/)
- [Планирование экспериментов и A/B тестов на сайтах с помощью Python](https://mlgu.ru/474/)
- [Графический анализ владения автомобилями в регионах России](https://mlgu.ru/456/)
- [Анализ акций Tesla с помощью Python](https://mlgu.ru/432/)
- [Сглаживание временных рядов и шума в данных с помощью Kalman Filter](https://mlgu.ru/412/)
- [Прогнозирование трафика и конверсий сайта с помощью Prophet](https://mlgu.ru/404/)
- [Как строить сложные воронки, свои модели атрибуции, ассоциированные конверсии с помощью Python и Pandas](https://mlgu.ru/391/)
- [Трафик сайтов. Анализ воронки и клиентского поведения с помощью Python](https://mlgu.ru/383/)
- [Прогнозирование трафика и конверсий сайта с помощью LightGBM](https://mlgu.ru/379/)
- [Как находить точки роста онлайн-бизнеса с помощью Python](https://mlgu.ru/368/)
- [Расчет и анализ продуктовых метрик по данным веб-аналитики с помощью Python](https://mlgu.ru/355/)
- [Ad hoc анализ трафика сайтов с помощью SQL и Python](https://mlgu.ru/330/)
- [Поиск и анализ аномалий в сырых данных веб-аналитики с помощью Python](https://mlgu.ru/320/)
- [Автоматизация процессов анализа данных с помощью Python](https://mlgu.ru/305/)
- [Поиск инсайтов в данных веб-аналитики с помощью Python и Pandas](https://mlgu.ru/290/)
- [Прогнозирование спроса с помощью машинного обучения](https://mlgu.ru/238/)
- [Прогнозирование трафика и конверсий сайта с помощью XGBoost](https://mlgu.ru/227/)
- [Как правильно оценивать результаты A/B тестов с помощью Python](https://mlgu.ru/224/)
- [Проведение A/B-тестов дизайна сайта с помощью машинного обучения с Python](https://mlgu.ru/219/)
- [Оптимизация продаж в екоме с помощью ИИ и машинного обучения](https://mlgu.ru/170/)
- [Сегментация трафика сайта и оптимизация конверсий с помощью деревьев решений (Decision Trees)](https://mlgu.ru/133/)
- [Методы предиктивной аналитики и машинного обучения для оптимизации конверсии веб-сайтов](https://mlgu.ru/99/)
- [Новейшие модели прогнозирования временных рядов](https://mlgu.ru/59/)
- [Прогнозирование конверсии посетителей интернет-магазина в покупателей с помощью машинного обучения](https://mlgu.ru/11/)