<?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>байесовские модели &#8212; &gt; Machine Learning Guru|</title>
	<atom:link href="https://mlgu.ru/tag/bajesovskie-modeli/feed/" rel="self" type="application/rss+xml" />
	<link>https://mlgu.ru</link>
	<description></description>
	<lastBuildDate>Thu, 20 Nov 2025 21:48:36 +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>байесовские модели &#8212; &gt; Machine Learning Guru|</title>
	<link>https://mlgu.ru</link>
	<width>32</width>
	<height>32</height>
</image> 
	<item>
		<title>Байесовская статистика и вывод в анализе рынков</title>
		<link>https://mlgu.ru/6056/</link>
		
		<dc:creator><![CDATA[dkrylov]]></dc:creator>
		<pubDate>Tue, 04 Nov 2025 11:22:25 +0000</pubDate>
				<category><![CDATA[Анализ данных]]></category>
		<category><![CDATA[байесовские модели]]></category>
		<category><![CDATA[бэктестинг]]></category>
		<category><![CDATA[вероятностные модели]]></category>
		<category><![CDATA[математическое моделирование]]></category>
		<guid isPermaLink="false">https://mlgu.ru/?p=6056</guid>

					<description><![CDATA[Байесовская статистика предоставляет инструменты для решения ключевых проблем количественного анализа: учет режимных сдвигов, калибровка моделей на ограниченных выборках, оптимизация гиперпараметров стратегий и управление риском переобучения. Байесовский подход рассматривает вероятность как степень уверенности в гипотезе, а не как частоту события в бесконечной серии испытаний. Параметры модели становятся случайными величинами с распределениями, которые обновляются по мере поступления [&#8230;]]]></description>
		
		
		
			</item>
		<item>
		<title>Марковские цепи Монте-Карло (Markov Chain Monte-Carlo, MCMC)</title>
		<link>https://mlgu.ru/3222/</link>
		
		<dc:creator><![CDATA[dkrylov]]></dc:creator>
		<pubDate>Sat, 05 Jul 2025 08:04:15 +0000</pubDate>
				<category><![CDATA[Классический ML]]></category>
		<category><![CDATA[markov-chains]]></category>
		<category><![CDATA[pymc]]></category>
		<category><![CDATA[sklearn]]></category>
		<category><![CDATA[байесовские модели]]></category>
		<category><![CDATA[корреляции]]></category>
		<category><![CDATA[оптимизация портфеля]]></category>
		<category><![CDATA[расчет доходности]]></category>
		<guid isPermaLink="false">https://mlgu.ru/?p=3222</guid>

					<description><![CDATA[MCMC представляет собой семейство алгоритмов, которые позволяют генерировать выборки из сложных вероятностных распределений, которые не имеют аналитического решения, либо оно сложно реализуемо. В основе этих методов лежит элегантное сочетание теории Марковских цепей и принципов Монте-Карло, что позволяет исследовать высокоразмерные пространства параметров с удивительной эффективностью. В этой статье мы погрузимся в мир методов MCMC, теорию и [&#8230;]]]></description>
		
		
		
			</item>
		<item>
		<title>Байесовская модель пространственно-временного ряда (Bayesian State-Space Time Series Model)</title>
		<link>https://mlgu.ru/2896/</link>
		
		<dc:creator><![CDATA[dkrylov]]></dc:creator>
		<pubDate>Thu, 19 Jun 2025 11:43:08 +0000</pubDate>
				<category><![CDATA[Классический ML]]></category>
		<category><![CDATA[markov-chains]]></category>
		<category><![CDATA[байесовские модели]]></category>
		<category><![CDATA[временные ряды]]></category>
		<category><![CDATA[математическое моделирование]]></category>
		<category><![CDATA[прогнозирование]]></category>
		<category><![CDATA[финансовый анализ]]></category>
		<guid isPermaLink="false">https://mlgu.ru/?p=2896</guid>

					<description><![CDATA[Когда я впервые столкнулся с байесовскими моделями пространственно-временных рядов в контексте разработки торговых алгоритмов, меня поразила их элегантность и мощь. В отличие от традиционных методов прогнозирования временных рядов, которые часто игнорируют неопределенность или делают слишком жесткие предположения о структуре данных, байесовские state-space модели предоставляют гибкий фреймворк для работы с динамическими системами в условиях неопределенности. Данная [&#8230;]]]></description>
		
		
		
			</item>
		<item>
		<title>Теория вероятностей и биржевая торговля</title>
		<link>https://mlgu.ru/1283/</link>
		
		<dc:creator><![CDATA[dkrylov]]></dc:creator>
		<pubDate>Sat, 26 Apr 2025 22:50:28 +0000</pubDate>
				<category><![CDATA[Анализ данных]]></category>
		<category><![CDATA[анализ рынков]]></category>
		<category><![CDATA[байесовские модели]]></category>
		<category><![CDATA[биржевая аналитика]]></category>
		<category><![CDATA[вероятностные модели]]></category>
		<category><![CDATA[временные ряды]]></category>
		<category><![CDATA[предиктивная аналитика]]></category>
		<category><![CDATA[управление рисками]]></category>
		<guid isPermaLink="false">https://mlgu.ru/?p=1283</guid>

					<description><![CDATA[Современный трейдинг давно перестал быть уделом интуитивных игроков. В мире, где алгоритмические стратегии доминируют над финансовыми рынками, понимание математических основ, лежащих в основе рыночных процессов, становится ключевым преимуществом. В течение последних десяти лет я изучаю применение продвинутых стохастических моделей для анализа и прогнозирования рыночной динамики и хочу поделиться ключевыми аспектами этого подхода. Финансовые рынки представляют [&#8230;]]]></description>
		
		
		
			</item>
	</channel>
</rss>
