<?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>matplotlib &#8212; &gt; Machine Learning Guru|</title>
	<atom:link href="https://mlgu.ru/tag/matplotlib/feed/" rel="self" type="application/rss+xml" />
	<link>https://mlgu.ru</link>
	<description></description>
	<lastBuildDate>Thu, 25 Dec 2025 14:09:14 +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>matplotlib &#8212; &gt; Machine Learning Guru|</title>
	<link>https://mlgu.ru</link>
	<width>32</width>
	<height>32</height>
</image> 
	<item>
		<title>Скользящие оконные функции в Pandas</title>
		<link>https://mlgu.ru/6872/</link>
		
		<dc:creator><![CDATA[dkrylov]]></dc:creator>
		<pubDate>Thu, 25 Dec 2025 11:42:20 +0000</pubDate>
				<category><![CDATA[Анализ данных]]></category>
		<category><![CDATA[feature engineering]]></category>
		<category><![CDATA[matplotlib]]></category>
		<category><![CDATA[pandas]]></category>
		<category><![CDATA[временные ряды]]></category>
		<category><![CDATA[торговые стратегии]]></category>
		<guid isPermaLink="false">https://mlgu.ru/?p=6872</guid>

					<description><![CDATA[Скользящие оконные функции решают фундаментальную задачу анализа временных рядов: извлечение локальных паттернов из последовательных данных. Метод основан на применении агрегирующих операций к подмножествам наблюдений фиксированного размера, которые последовательно сдвигаются вдоль временной оси. Библиотека Pandas предоставляет три типа окон для работы с временными рядами: rolling &#8212; фиксированный размер; expanding &#8212; растущее от начала; exponentially weighted &#8212; [&#8230;]]]></description>
		
		
		
			</item>
		<item>
		<title>16 способов визуализации биржевых данных с помощью Matplotlib</title>
		<link>https://mlgu.ru/2012/</link>
		
		<dc:creator><![CDATA[dkrylov]]></dc:creator>
		<pubDate>Fri, 09 May 2025 21:33:03 +0000</pubDate>
				<category><![CDATA[Анализ данных]]></category>
		<category><![CDATA[matplotlib]]></category>
		<category><![CDATA[анализ рынков]]></category>
		<category><![CDATA[библиотеки для биржевой торговли]]></category>
		<category><![CDATA[визуализации]]></category>
		<category><![CDATA[временные ряды]]></category>
		<guid isPermaLink="false">https://mlgu.ru/?p=2012</guid>

					<description><![CDATA[Matplotlib — одна из самых мощных и гибких библиотек Python для визуализации, без импорта которой не обходится, пожалуй, ни одно исследование. В этой статье я поделюсь 16 интересными примерами визуализации биржевых данных с использованием исключительно библиотеки Matplotlib. Мы рассмотрим как базовые графики, так и более продвинутые визуализации, которые применяются в квантовых исследованиях и алгоритмической торговле. [&#8230;]]]></description>
		
		
		
			</item>
		<item>
		<title>Применение NumPy для финансового анализа</title>
		<link>https://mlgu.ru/1447/</link>
		
		<dc:creator><![CDATA[dkrylov]]></dc:creator>
		<pubDate>Wed, 30 Apr 2025 18:20:26 +0000</pubDate>
				<category><![CDATA[Анализ данных]]></category>
		<category><![CDATA[matplotlib]]></category>
		<category><![CDATA[анализ рынков]]></category>
		<category><![CDATA[аномалии]]></category>
		<category><![CDATA[временные ряды]]></category>
		<category><![CDATA[корреляции]]></category>
		<category><![CDATA[финансовый анализ]]></category>
		<guid isPermaLink="false">https://mlgu.ru/?p=1447</guid>

					<description><![CDATA[За годы работы в сфере data science я убедился, что правильно организованная работа с массивами данных может кардинально повысить качество аналитики и точность прогнозов. NumPy, как фундаментальная библиотека для научных вычислений в Python, предоставляет мощные инструменты, которые я ежедневно применяю в своей практике. В этой статье я подробно рассмотрю методы эффективной работы с финансовыми данными [&#8230;]]]></description>
		
		
		
			</item>
		<item>
		<title>Стационарность временных рядов. Как анализировать нестационарные данные?</title>
		<link>https://mlgu.ru/1245/</link>
		
		<dc:creator><![CDATA[dkrylov]]></dc:creator>
		<pubDate>Sat, 26 Apr 2025 20:39:15 +0000</pubDate>
				<category><![CDATA[Анализ данных]]></category>
		<category><![CDATA[matplotlib]]></category>
		<category><![CDATA[time series]]></category>
		<category><![CDATA[визуализации]]></category>
		<category><![CDATA[временные ряды]]></category>
		<category><![CDATA[прогнозирование]]></category>
		<category><![CDATA[стат анализ]]></category>
		<guid isPermaLink="false">https://mlgu.ru/?p=1245</guid>

					<description><![CDATA[Работая с временными рядами в течение многих лет, я неизменно сталкиваюсь с фундаментальным вопросом стационарности данных. Стационарность — это не просто теоретическое понятие, а критически важное свойство, определяющее применимость большинства методов анализа и прогнозирования. Когда временной ряд стационарен, его статистические свойства не меняются со временем — это означает постоянство среднего значения, дисперсии и ковариационной структуры. [&#8230;]]]></description>
		
		
		
			</item>
		<item>
		<title>Анализ поездок в такси с помощью статистических методов</title>
		<link>https://mlgu.ru/581/</link>
		
		<dc:creator><![CDATA[dkrylov]]></dc:creator>
		<pubDate>Sun, 22 Sep 2024 10:52:20 +0000</pubDate>
				<category><![CDATA[Анализ данных]]></category>
		<category><![CDATA[matplotlib]]></category>
		<category><![CDATA[pandas]]></category>
		<category><![CDATA[plotly]]></category>
		<category><![CDATA[визуализации]]></category>
		<category><![CDATA[стат анализ]]></category>
		<guid isPermaLink="false">https://mlgu.ru/?p=581</guid>

					<description><![CDATA[Пожалуй, каждый владелец таксопарка хоть раз, но задумывался о том, стоит ли тратить больше денег на более дорогие автомобили. С одной стороны, это кажется плохой идеей, но данные бизнес-анализа доказывают обратное. В этой статье я провел исследование поездок одной известной российской компании по предоставлению услуг такси и обнаружил интересную закономерность: чем выше класс автомобиля, тем [&#8230;]]]></description>
		
		
		
			</item>
		<item>
		<title>Анализ акций Tesla с помощью Python</title>
		<link>https://mlgu.ru/432/</link>
		
		<dc:creator><![CDATA[dkrylov]]></dc:creator>
		<pubDate>Sat, 21 Sep 2024 10:18:25 +0000</pubDate>
				<category><![CDATA[Нейронные сети]]></category>
		<category><![CDATA[lstm]]></category>
		<category><![CDATA[matplotlib]]></category>
		<category><![CDATA[time series]]></category>
		<category><![CDATA[биржевая аналитика]]></category>
		<category><![CDATA[временные ряды]]></category>
		<category><![CDATA[прогнозирование]]></category>
		<guid isPermaLink="false">https://mlgu.ru/?p=432</guid>

					<description><![CDATA[Целью этого проекта был анализ возможностей Python для исследования цен на акции. Легенда этого исследования такова: некий инвестор хочет инвестировать в акции Tesla, потому что он видит хорошую тенденцию к росту на многочисленных биржевых сайтах. Я, как аналитик, должен ответить ему хорошее ли сейчас время для покупки или нет. Поскольку Python сам строит графики, а [&#8230;]]]></description>
		
		
		
			</item>
		<item>
		<title>Прогнозирование спроса с помощью машинного обучения</title>
		<link>https://mlgu.ru/238/</link>
		
		<dc:creator><![CDATA[dkrylov]]></dc:creator>
		<pubDate>Thu, 12 Sep 2024 21:24:13 +0000</pubDate>
				<category><![CDATA[Классический ML]]></category>
		<category><![CDATA[decision trees]]></category>
		<category><![CDATA[matplotlib]]></category>
		<category><![CDATA[pandas]]></category>
		<category><![CDATA[random forest]]></category>
		<category><![CDATA[аномалии]]></category>
		<category><![CDATA[машинное обучение]]></category>
		<category><![CDATA[предиктивная аналитика]]></category>
		<category><![CDATA[прогнозирование]]></category>
		<guid isPermaLink="false">https://mlgu.ru/?p=238</guid>

					<description><![CDATA[Прогнозирование спроса &#8212; важнейший процесс в различных отраслях промышленности, включающий в себя предсказание будущих продаж. Это краеугольный камень для эффективного управления цепочками поставок, контроля запасов и стратегического бизнес-планирования. В последнее время машинное обучение (ML) стало играть важную роль в повышении точности и эффективности прогнозирования спроса. Необходимость прогнозирования спроса Понимание будущего покупательского спроса крайне важно для [&#8230;]]]></description>
		
		
		
			</item>
	</channel>
</rss>
