<?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>mlops &#8212; &gt; Machine Learning Guru|</title>
	<atom:link href="https://mlgu.ru/tag/mlops/feed/" rel="self" type="application/rss+xml" />
	<link>https://mlgu.ru</link>
	<description></description>
	<lastBuildDate>Thu, 13 Nov 2025 22:28:40 +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>mlops &#8212; &gt; Machine Learning Guru|</title>
	<link>https://mlgu.ru</link>
	<width>32</width>
	<height>32</height>
</image> 
	<item>
		<title>Мониторинг ML-моделей: детекция дрифта и снижения метрик качества</title>
		<link>https://mlgu.ru/6036/</link>
		
		<dc:creator><![CDATA[dkrylov]]></dc:creator>
		<pubDate>Sun, 02 Nov 2025 12:56:35 +0000</pubDate>
				<category><![CDATA[Классический ML]]></category>
		<category><![CDATA[mlops]]></category>
		<category><![CDATA[аномалии]]></category>
		<category><![CDATA[мониторинг]]></category>
		<guid isPermaLink="false">https://mlgu.ru/?p=6036</guid>

					<description><![CDATA[Модель обучена, метрики на валидации отличные, деплой в продакшен прошел успешно. Через два месяца точность падает на 15%, а через полгода модель работает хуже бейзлайна. Деградация качества ML-моделей в продакшене — это, увы, довольно частое явление. Данные меняются, распределения сдвигаются, зависимости трансформируются. Мониторинг ML-моделей позволяет обнаружить проблемы до того, как они повлияют на бизнес-метрики. Система [&#8230;]]]></description>
		
		
		
			</item>
		<item>
		<title>Топ-10 лучших инструментов MLOps: сравнение и выбор</title>
		<link>https://mlgu.ru/5721/</link>
		
		<dc:creator><![CDATA[dkrylov]]></dc:creator>
		<pubDate>Sun, 26 Oct 2025 19:08:32 +0000</pubDate>
				<category><![CDATA[Классический ML]]></category>
		<category><![CDATA[mlops]]></category>
		<category><![CDATA[машинное обучение]]></category>
		<category><![CDATA[пайплайны]]></category>
		<guid isPermaLink="false">https://mlgu.ru/?p=5721</guid>

					<description><![CDATA[Сегодня MLOps стал неотъемлемой частью любого серьезного проекта в data science. Стек MLOps объединяет практики разработки, развертывания и поддержки ML-моделей в продакшене. Эти инструменты предоставляют единую платформу для управления жизненным циклом моделей. Основные проблемы, которые решают MLOps-платформы: Воспроизводимость экспериментов; Отслеживание метрик и гиперпараметров; Версионирование данных и моделей; Автоматизация деплоя; Мониторинг перформанса в продакшене. Выбор MLOps-стека [&#8230;]]]></description>
		
		
		
			</item>
		<item>
		<title>Feature Store: централизованное хранилище признаков для ML</title>
		<link>https://mlgu.ru/5509/</link>
		
		<dc:creator><![CDATA[dkrylov]]></dc:creator>
		<pubDate>Wed, 22 Oct 2025 23:19:09 +0000</pubDate>
				<category><![CDATA[Классический ML]]></category>
		<category><![CDATA[feature engineering]]></category>
		<category><![CDATA[mlops]]></category>
		<category><![CDATA[машинное обучение]]></category>
		<guid isPermaLink="false">https://mlgu.ru/?p=5509</guid>

					<description><![CDATA[ML-проекты часто сталкиваются с проблемой разрозненного управления признаками. Дата-сайентисты создают признаки в Jupyter-ноутбуках, ML-инженеры переписывают их для продакшена, а через несколько месяцев уже никто не помнит, какие именно трансформации применялись к обучающим данным. Результат — несоответствие между обучением и инференсом, дублирование работы и сложности с воспроизводимостью экспериментов. Хранилище признаков (Feature Store) решает эти проблемы через [&#8230;]]]></description>
		
		
		
			</item>
		<item>
		<title>Основы MLOps: как развернуть ML-модель в production</title>
		<link>https://mlgu.ru/5029/</link>
		
		<dc:creator><![CDATA[dkrylov]]></dc:creator>
		<pubDate>Mon, 06 Oct 2025 21:38:34 +0000</pubDate>
				<category><![CDATA[Нейронные сети]]></category>
		<category><![CDATA[mlops]]></category>
		<category><![CDATA[scipy]]></category>
		<category><![CDATA[инференс]]></category>
		<category><![CDATA[мониторинг]]></category>
		<guid isPermaLink="false">https://mlgu.ru/?p=5029</guid>

					<description><![CDATA[В последние годы MLOps стал неотъемлемой частью жизненного цикла машинного обучения. Если раньше работа дата-сайентиста заканчивалась на этапе обучения модели, то сегодня ключевая задача — обеспечить стабильное и масштабируемое развертывание модели в production. MLOps объединяет подходы DevOps и машинного обучения, помогая автоматизировать процесс от подготовки данных и обучения до мониторинга и обновления моделей. Это позволяет [&#8230;]]]></description>
		
		
		
			</item>
		<item>
		<title>Библиотека typing в Python для решения задач типизации</title>
		<link>https://mlgu.ru/4474/</link>
		
		<dc:creator><![CDATA[dkrylov]]></dc:creator>
		<pubDate>Wed, 10 Sep 2025 12:50:06 +0000</pubDate>
				<category><![CDATA[Анализ данных]]></category>
		<category><![CDATA[mlops]]></category>
		<category><![CDATA[typing]]></category>
		<category><![CDATA[библиотеки для биржевой торговли]]></category>
		<guid isPermaLink="false">https://mlgu.ru/?p=4474</guid>

					<description><![CDATA[При написании кода на Python мы иногда можем столкнуться с проблемой, что этот язык является динамически типизированным. Нет, несомненно, динамическая типизация очень удобна для быстрого прототипирования, однако при разработке крупных проектов эта особенность иногда приводит к ошибкам и усложняет поддержку кода. Именно здесь на помощь приходит библиотека typing в Python — мощный инструмент для аннотации [&#8230;]]]></description>
		
		
		
			</item>
		<item>
		<title>Продвинутый Python для финансов: декораторы, контекстные менеджеры и метаклассы</title>
		<link>https://mlgu.ru/3782/</link>
		
		<dc:creator><![CDATA[dkrylov]]></dc:creator>
		<pubDate>Fri, 25 Jul 2025 19:21:35 +0000</pubDate>
				<category><![CDATA[Анализ данных]]></category>
		<category><![CDATA[mlops]]></category>
		<category><![CDATA[typing]]></category>
		<category><![CDATA[торговые алгоритмы]]></category>
		<category><![CDATA[финансовый анализ]]></category>
		<guid isPermaLink="false">https://mlgu.ru/?p=3782</guid>

					<description><![CDATA[Сегодня я хочу поделиться опытом использования продвинутых возможностей Python — декораторов, контекстных менеджеров и метаклассов, которые позволяют надежно и гибко разрабатывать финансовый софт (торговые боты, риск-модели, системы бэктестинга, аналитические платформы) и внедрять в другие части кода. Осторожно: статья длинная, но после ее прочтения вы сможете понимать и проектировать архитектуру приложений, которую будет легко поддерживать, масштабировать [&#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>
	</channel>
</rss>
