<?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>kmeans &#8212; &gt; Machine Learning Guru|</title>
	<atom:link href="https://mlgu.ru/tag/kmeans/feed/" rel="self" type="application/rss+xml" />
	<link>https://mlgu.ru</link>
	<description></description>
	<lastBuildDate>Thu, 20 Nov 2025 22:08:26 +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>kmeans &#8212; &gt; Machine Learning Guru|</title>
	<link>https://mlgu.ru</link>
	<width>32</width>
	<height>32</height>
</image> 
	<item>
		<title>RFM-анализ с помощью Python</title>
		<link>https://mlgu.ru/1071/</link>
		
		<dc:creator><![CDATA[dkrylov]]></dc:creator>
		<pubDate>Sat, 09 Nov 2024 17:47:39 +0000</pubDate>
				<category><![CDATA[Классический ML]]></category>
		<category><![CDATA[kmeans]]></category>
		<category><![CDATA[pandas]]></category>
		<category><![CDATA[seaborn]]></category>
		<category><![CDATA[бизнес аналитика]]></category>
		<category><![CDATA[сегментация]]></category>
		<guid isPermaLink="false">https://mlgu.ru/?p=1071</guid>

					<description><![CDATA[RFM-анализ &#8212; это мощный метод сегментации клиентов, основанный на трех ключевых метриках их поведения: Recency (давность последней покупки), Frequency (частота покупок) и Monetary Value (денежная ценность клиента). За свою карьеру в области data science я убедился, что это один из самых эффективных способов понять и структурировать клиентскую базу. Каждый раз, когда я применяю RFM-анализ в [&#8230;]]]></description>
		
		
		
			</item>
		<item>
		<title>Создание ML-модели прогноза действий пользователей интернет-магазина и рекомендательной системы</title>
		<link>https://mlgu.ru/779/</link>
		
		<dc:creator><![CDATA[dkrylov]]></dc:creator>
		<pubDate>Fri, 27 Sep 2024 17:18:20 +0000</pubDate>
				<category><![CDATA[Классический ML]]></category>
		<category><![CDATA[feature engineering]]></category>
		<category><![CDATA[kmeans]]></category>
		<category><![CDATA[mlops]]></category>
		<category><![CDATA[xgboost]]></category>
		<category><![CDATA[веб аналитика]]></category>
		<category><![CDATA[машинное обучение]]></category>
		<category><![CDATA[пайплайны]]></category>
		<category><![CDATA[повышение конверсии]]></category>
		<category><![CDATA[прогнозирование]]></category>
		<category><![CDATA[рекомендательные системы]]></category>
		<guid isPermaLink="false">https://mlgu.ru/?p=779</guid>

					<description><![CDATA[Сегодня в электронной коммерции успех бизнеса во-многом зависит от способности предугадывать потребности клиентов и предлагать им именно то, что они ищут. И, как показал опыт, правильно реализованные модели могут значительно повысить конверсию, увеличить средний чек и улучшить лояльность клиентов. В этой статье я поделюсь своим опытом и знаниями о том, как создать ML-модель прогноза действий [&#8230;]]]></description>
		
		
		
			</item>
		<item>
		<title>Определение лучших источников трафика сайта с помощью Python</title>
		<link>https://mlgu.ru/515/</link>
		
		<dc:creator><![CDATA[dkrylov]]></dc:creator>
		<pubDate>Sat, 21 Sep 2024 20:25:23 +0000</pubDate>
				<category><![CDATA[Классический ML]]></category>
		<category><![CDATA[e-commerce]]></category>
		<category><![CDATA[kmeans]]></category>
		<category><![CDATA[random forest]]></category>
		<category><![CDATA[веб аналитика]]></category>
		<category><![CDATA[интернет-реклама]]></category>
		<guid isPermaLink="false">https://mlgu.ru/?p=515</guid>

					<description><![CDATA[В современном интернет-маркетинге понимание эффективности источников трафика сайта является одним из важнейших критериев оптимизации маркетинговых стратегий и повышении конверсии. В этой статье я поделюсь своим опытом использования Python для глубокого анализа источников трафика, уделяя особое внимание UTM-меткам и их влиянию на конверсию. Почему анализ источников трафика так важен? Прежде чем мы погрузимся в технические детали, [&#8230;]]]></description>
		
		
		
			</item>
		<item>
		<title>Трафик сайтов. Анализ воронки и клиентского поведения с помощью Python</title>
		<link>https://mlgu.ru/383/</link>
		
		<dc:creator><![CDATA[dkrylov]]></dc:creator>
		<pubDate>Thu, 19 Sep 2024 20:47:41 +0000</pubDate>
				<category><![CDATA[Классический ML]]></category>
		<category><![CDATA[e-commerce]]></category>
		<category><![CDATA[kmeans]]></category>
		<category><![CDATA[markov-chains]]></category>
		<category><![CDATA[веб аналитика]]></category>
		<category><![CDATA[интернет-реклама]]></category>
		<category><![CDATA[повышение конверсии]]></category>
		<category><![CDATA[сегментация]]></category>
		<guid isPermaLink="false">https://mlgu.ru/?p=383</guid>

					<description><![CDATA[В эпоху доминирования цифровых коммуникаций сайты часто являются первой точкой контакта с потенциальными клиентами. И понимание того, как пользователи взаимодействуют с сайтом, откуда они приходят и что их интересует, может дать ценное преимущество в конкурентной борьбе. В этой статье я поделюсь своим опытом и расскажу, как использовать Python для глубокого анализа трафика сайтов и поведения [&#8230;]]]></description>
		
		
		
			</item>
		<item>
		<title>Как находить точки роста онлайн-бизнеса с помощью Python</title>
		<link>https://mlgu.ru/368/</link>
		
		<dc:creator><![CDATA[dkrylov]]></dc:creator>
		<pubDate>Wed, 18 Sep 2024 18:46:33 +0000</pubDate>
				<category><![CDATA[Классический ML]]></category>
		<category><![CDATA[a-b тесты]]></category>
		<category><![CDATA[kmeans]]></category>
		<category><![CDATA[nlp]]></category>
		<category><![CDATA[pandas]]></category>
		<category><![CDATA[random forest]]></category>
		<category><![CDATA[retention]]></category>
		<category><![CDATA[веб аналитика]]></category>
		<category><![CDATA[повышение конверсии]]></category>
		<category><![CDATA[сегментация]]></category>
		<guid isPermaLink="false">https://mlgu.ru/?p=368</guid>

					<description><![CDATA[В условиях огромной конкуренции успех онлайн-бизнеса во-многом зависит от способности компании анализировать большие объемы данных и находить в них скрытые возможности для роста. В цифровом мире каждое действие пользователя оставляет след: клики, просмотры страниц, время на сайте, конверсии &#8212; все это ценная информация, которая при правильном анализе может указать на новые возможности для развития. Подготовка [&#8230;]]]></description>
		
		
		
			</item>
		<item>
		<title>Расчет и анализ продуктовых метрик по данным веб-аналитики с помощью Python</title>
		<link>https://mlgu.ru/355/</link>
		
		<dc:creator><![CDATA[dkrylov]]></dc:creator>
		<pubDate>Tue, 17 Sep 2024 20:28:18 +0000</pubDate>
				<category><![CDATA[Классический ML]]></category>
		<category><![CDATA[a-b тесты]]></category>
		<category><![CDATA[e-commerce]]></category>
		<category><![CDATA[kmeans]]></category>
		<category><![CDATA[pandas]]></category>
		<category><![CDATA[random forest]]></category>
		<category><![CDATA[retention]]></category>
		<category><![CDATA[веб аналитика]]></category>
		<category><![CDATA[интернет-реклама]]></category>
		<category><![CDATA[машинное обучение]]></category>
		<category><![CDATA[прогнозирование]]></category>
		<guid isPermaLink="false">https://mlgu.ru/?p=355</guid>

					<description><![CDATA[В современном мире данных и аналитики ключом к успеху любого онлайн-бизнеса является глубокое понимание поведения пользователей и эффективности продукта. В этой статье я поделюсь своим опытом использования Python для расчета и анализа продуктовых метрик, которые помогают принимать обоснованные решения и оптимизировать бизнес-процессы. Мы погрузимся в мир веб-аналитики, рассмотрим ключевые продуктовые метрики и научимся их вычислять [&#8230;]]]></description>
		
		
		
			</item>
		<item>
		<title>Ad hoc анализ трафика сайтов с помощью SQL и Python</title>
		<link>https://mlgu.ru/330/</link>
		
		<dc:creator><![CDATA[dkrylov]]></dc:creator>
		<pubDate>Mon, 16 Sep 2024 20:32:39 +0000</pubDate>
				<category><![CDATA[Классический ML]]></category>
		<category><![CDATA[etl]]></category>
		<category><![CDATA[kmeans]]></category>
		<category><![CDATA[sql]]></category>
		<category><![CDATA[аномалии]]></category>
		<category><![CDATA[веб аналитика]]></category>
		<category><![CDATA[интернет-реклама]]></category>
		<category><![CDATA[машинное обучение]]></category>
		<category><![CDATA[сегментация]]></category>
		<guid isPermaLink="false">https://mlgu.ru/?p=330</guid>

					<description><![CDATA[Ad hoc анализ &#8212; это метод исследования данных, который фокусируется на конкретных бизнес-вопросах или проблемах, возникающих в режиме реального времени. В контексте анализа трафика сайтов, ad hoc подход позволяет нам быстро реагировать на неожиданные тренды, аномалии или возможности, которые могут быть упущены при стандартном регулярном анализе. В этой статье я поделюсь своим опытом использования SQL [&#8230;]]]></description>
		
		
		
			</item>
		<item>
		<title>Поиск и анализ аномалий в сырых данных веб-аналитики с помощью Python</title>
		<link>https://mlgu.ru/320/</link>
		
		<dc:creator><![CDATA[dkrylov]]></dc:creator>
		<pubDate>Sun, 15 Sep 2024 13:22:34 +0000</pubDate>
				<category><![CDATA[Классический ML]]></category>
		<category><![CDATA[kmeans]]></category>
		<category><![CDATA[аномалии]]></category>
		<category><![CDATA[веб аналитика]]></category>
		<category><![CDATA[временные ряды]]></category>
		<category><![CDATA[интернет-реклама]]></category>
		<category><![CDATA[мониторинг]]></category>
		<guid isPermaLink="false">https://mlgu.ru/?p=320</guid>

					<description><![CDATA[Аномалии в трафике, конверсиях, поведении пользователей на сайте могут рассказать многое о здоровье веб-сайта. И если научиться их своевременно выявлять, то можно сэкономить множество сил, нервов, времени и денег. Простой пример &#8212; аномально высокая конверсия по одной из целей может быть следствием &#171;наплыва&#187; ботов на сайт и если это вовремя не обнаружить и не остановить [&#8230;]]]></description>
		
		
		
			</item>
	</channel>
</rss>
