<?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>isolation forest &#8212; &gt; Machine Learning Guru|</title>
	<atom:link href="https://mlgu.ru/tag/isolation-forest/feed/" rel="self" type="application/rss+xml" />
	<link>https://mlgu.ru</link>
	<description></description>
	<lastBuildDate>Fri, 21 Nov 2025 21:42:16 +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>isolation forest &#8212; &gt; Machine Learning Guru|</title>
	<link>https://mlgu.ru</link>
	<width>32</width>
	<height>32</height>
</image> 
	<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>
		<item>
		<title>Ad hoc задачи в финансовой аналитике</title>
		<link>https://mlgu.ru/3496/</link>
		
		<dc:creator><![CDATA[dkrylov]]></dc:creator>
		<pubDate>Fri, 18 Jul 2025 22:05:13 +0000</pubDate>
				<category><![CDATA[Классический ML]]></category>
		<category><![CDATA[isolation forest]]></category>
		<category><![CDATA[pymc]]></category>
		<category><![CDATA[sklearn]]></category>
		<category><![CDATA[statsmodels]]></category>
		<category><![CDATA[анализ рынков]]></category>
		<category><![CDATA[поиск закономерностей]]></category>
		<category><![CDATA[финансовый анализ]]></category>
		<guid isPermaLink="false">https://mlgu.ru/?p=3496</guid>

					<description><![CDATA[Ad hoc задачи — это нестандартные, часто разовые аналитические исследования, выполняемые для решения конкретной проблемы или ответа на специфический вопрос. В отличие от регулярных отчетов и стандартизированных аналитических процедур, они требуют индивидуального подхода, творческого мышления и глубокого понимания предметной области. Ad hoc можно перевести с латинского как &#171;для этого&#187;, &#171;для данного случая&#187;. То есть это [&#8230;]]]></description>
		
		
		
			</item>
		<item>
		<title>Поиск аномалий в данных с Python</title>
		<link>https://mlgu.ru/861/</link>
		
		<dc:creator><![CDATA[dkrylov]]></dc:creator>
		<pubDate>Wed, 16 Oct 2024 21:33:23 +0000</pubDate>
				<category><![CDATA[Классический ML]]></category>
		<category><![CDATA[autoencoders]]></category>
		<category><![CDATA[isolation forest]]></category>
		<category><![CDATA[rnn]]></category>
		<category><![CDATA[time series]]></category>
		<category><![CDATA[аномалии]]></category>
		<category><![CDATA[временные ряды]]></category>
		<category><![CDATA[мониторинг]]></category>
		<guid isPermaLink="false">https://mlgu.ru/?p=861</guid>

					<description><![CDATA[Аномалии в данных (или выбросы) представляют собой нетипичные, необычные или экстремальные значения, которые могут указывать на ошибки, всплески, странные события, атаку конкурентов, мошенников и другие потенциальные проблемы. Большое количество аномалий не только пагубно влияет на многие бизнес-модели, но еще может затруднить машинное обучение или вовсе исказить его результаты. Вот почему их важно обнаруживать и работать [&#8230;]]]></description>
		
		
		
			</item>
	</channel>
</rss>
