-
Обзор книги «Kalman and Bayesian Filters in Python» (R. Labbe)
Книга «Kalman and Bayesian Filters in Python» написана Роджером Лаббе и впервые опубликована в 2015 году под open-source лицензией Creative Commons. Книга исследует методы оценки состояния динамических систем при наличии зашумленных сенсорных данных. Центральная идея — применение байесовского вероятностного подхода для…
-
Детекция аномалий через Isolation Forest
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…
-
Машинное обучение для A/B тестов: практический гайд по CUPAC
A/B-тестирование остается основным инструментом для принятия продуктовых решений в технологических компаниях. Главная проблема — высокая дисперсия метрик, из-за которой требуется несколько недель или даже месяцев, чтобы достичь статистической значимости. Длительные эксперименты замедляют итерации и увеличивают альтернативные издержки. Классический подход к снижению…
-
Тест Чоу (Chow Test) для определения структурных сдвигов временных рядов
Финансовые временные ряды почти всегда содержат структурные сдвиги — моменты, когда рынок меняет поведение. В такие моменты стандартные модели перестают быть устойчивыми: коэффициенты регрессии перестают сохранять свои значения на разных участках ряда, изменяются направления и силы связей между переменными, а сами…
-
Виды функций потерь в машинном обучении
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…
-
Долгосрочное прогнозирование динамики облигаций с помощью ансамбля статистических моделей
Долгосрочное прогнозирование динамики облигаций — одна из самых сложных задач финансовой аналитики. На горизонтах в 12 месяцев и более даже относительно стабильные рынки перестают вести себя «гладко»: усиливается влияние макроэкономических факторов, процентных ставок, медленных структурных сдвигов и поведенческих эффектов, что приводит…
-
Градиенты: от затухания до взрыва. Методы стабилизации
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…
-
Методы анализа финансовых деривативов
Финансовые деривативы — это опционы, фьючерсы, свопы. Они используются для хеджирования рисков, спекуляций и арбитража. Анализ финансовых деривативов требует сочетания математических моделей, статистических методов и понимания рыночной микроструктуры. Качественный анализ позволяет оценить справедливую цену дериватива, измерить его чувствительность к рыночным факторам…
-
Что такое деривативы? И для чего они используются?
Деривативы — это производные финансовые инструменты, полученные синтетически из разных активов. Это крайне популярные инструменты. Ежедневный оборот на организованных биржах превышает $2–3 трлн по рыночной стоимости контрактов. Деривативы позволяют управлять рисками, извлекать прибыль из рыночных неэффективностей и создавать сложные инвестиционные стратегии.…
-
Прогнозирование временных рядов с xLSTM
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,…
Добро пожаловать на сайт Machine Learning Guru! Здесь вы найдете увлекательные статьи и полезные советы о data science, машинном обучении, нейронных сетях, финансовой и биржевой аналитике, веб-аналитике, прогнозировании данных, временных рядах и современных алгоритмах исскуственного интеллекта.
На сайте mlgu.ru представлены: гайды по исследованиям данных, примеры кода на Python, SQL и других языках программирования, примеры анализа данных и построения ML-моделей в различных сферах и проектах. Здесь вы также найдете обзоры новейших инструментов и библиотек data science и machine learning, а также сможете ознакомиться с лучшими практиками по оптимизации бизнес-процессов с помощью этих инструментов.