<?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>pca &#8212; &gt; Machine Learning Guru|</title>
	<atom:link href="https://mlgu.ru/tag/pca/feed/" rel="self" type="application/rss+xml" />
	<link>https://mlgu.ru</link>
	<description></description>
	<lastBuildDate>Tue, 02 Dec 2025 09:41:56 +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>pca &#8212; &gt; Machine Learning Guru|</title>
	<link>https://mlgu.ru</link>
	<width>32</width>
	<height>32</height>
</image> 
	<item>
		<title>Собственные числа и собственные векторы в финансах: разложения PCA и SVD</title>
		<link>https://mlgu.ru/6756/</link>
		
		<dc:creator><![CDATA[dkrylov]]></dc:creator>
		<pubDate>Tue, 02 Dec 2025 09:31:38 +0000</pubDate>
				<category><![CDATA[Анализ данных]]></category>
		<category><![CDATA[pca]]></category>
		<category><![CDATA[временные ряды]]></category>
		<category><![CDATA[корреляции]]></category>
		<category><![CDATA[управление рисками]]></category>
		<category><![CDATA[факторный анализ]]></category>
		<category><![CDATA[хеджирование]]></category>
		<guid isPermaLink="false">https://mlgu.ru/?p=6756</guid>

					<description><![CDATA[Анализ главных компонент (PCA) — один из популярных способов изучения взаимосвязей между доходностями активов и их оценке в финансовом анализе. Метод основан на разложении ковариационной матрицы доходностей: собственные векторы определяют направления факторов, а собственные числа показывают, сколько дисперсии объясняет каждый фактор. PCA позволяет выделить доминирующие источники совместной изменчивости и отделить систематический риск от несистематического. Практическое [&#8230;]]]></description>
		
		
		
			</item>
		<item>
		<title>Матрица ковариаций: проблемы выборочной оценки</title>
		<link>https://mlgu.ru/6601/</link>
		
		<dc:creator><![CDATA[dkrylov]]></dc:creator>
		<pubDate>Mon, 24 Nov 2025 20:53:54 +0000</pubDate>
				<category><![CDATA[Анализ данных]]></category>
		<category><![CDATA[pca]]></category>
		<category><![CDATA[корреляции]]></category>
		<category><![CDATA[оптимизация портфеля]]></category>
		<category><![CDATA[факторный анализ]]></category>
		<guid isPermaLink="false">https://mlgu.ru/?p=6601</guid>

					<description><![CDATA[Матрица ковариаций занимает центральное место в портфельной оптимизации, риск-менеджменте и построении торговых стратегий. Оценка этой матрицы по историческим данным кажется тривиальной задачей, но на практике приводит к серьезным проблемам. Выборочная оценка работает корректно только при выполнении жестких условий: Большой объем данных относительно числа активов; Стационарность процессов; Отсутствие выбросов. В реальности эти условия нарушаются систематически. Основная [&#8230;]]]></description>
		
		
		
			</item>
		<item>
		<title>Метод нелинейного снижения размерности t-SNE</title>
		<link>https://mlgu.ru/6555/</link>
		
		<dc:creator><![CDATA[dkrylov]]></dc:creator>
		<pubDate>Sat, 22 Nov 2025 18:55:24 +0000</pubDate>
				<category><![CDATA[Классический ML]]></category>
		<category><![CDATA[feature engineering]]></category>
		<category><![CDATA[pca]]></category>
		<category><![CDATA[sklearn]]></category>
		<category><![CDATA[кластеризация]]></category>
		<guid isPermaLink="false">https://mlgu.ru/?p=6555</guid>

					<description><![CDATA[Высокая размерность данных создает фундаментальную проблему &#8212; датасеты с сотнями и тысячами признаков плохо обучаются в моделях машинного обучения, плюс их невозможно визуализировать, что затрудняет понимание структуры данных, выявление паттернов и валидацию гипотез. Методы снижения размерности решают эту задачу, проецируя многомерные данные в пространство низкой размерности с сохранением важных характеристик исходного распределения. Однако не все [&#8230;]]]></description>
		
		
		
			</item>
		<item>
		<title>Метод главных компонент (PCA) и факторный анализ (FA) данных</title>
		<link>https://mlgu.ru/2676/</link>
		
		<dc:creator><![CDATA[dkrylov]]></dc:creator>
		<pubDate>Sat, 07 Jun 2025 08:12:13 +0000</pubDate>
				<category><![CDATA[Анализ данных]]></category>
		<category><![CDATA[feature engineering]]></category>
		<category><![CDATA[pca]]></category>
		<category><![CDATA[sklearn]]></category>
		<category><![CDATA[управление рисками]]></category>
		<category><![CDATA[факторный анализ]]></category>
		<category><![CDATA[финансовый анализ]]></category>
		<guid isPermaLink="false">https://mlgu.ru/?p=2676</guid>

					<description><![CDATA[В современном мире анализа данных мы постоянно сталкиваемся с проблемой &#171;проклятия размерности&#187; &#8212; ситуацией, когда количество признаков в датасете становится настолько большим, что традиционные методы анализа начинают давать сбои. Метод главных компонент (Principal Component Analysis, PCA) и факторный анализ (Factor Analysis, FA) представляют собой два фундаментальных подхода к решению этой проблемы, каждый из которых имеет [&#8230;]]]></description>
		
		
		
			</item>
		<item>
		<title>Матричные операции в финансах и биржевой аналитике</title>
		<link>https://mlgu.ru/1610/</link>
		
		<dc:creator><![CDATA[dkrylov]]></dc:creator>
		<pubDate>Fri, 02 May 2025 14:12:49 +0000</pubDate>
				<category><![CDATA[Анализ данных]]></category>
		<category><![CDATA[pca]]></category>
		<category><![CDATA[анализ рынков]]></category>
		<category><![CDATA[биржевая аналитика]]></category>
		<category><![CDATA[графы]]></category>
		<category><![CDATA[квантитативный анализ]]></category>
		<category><![CDATA[математическое моделирование]]></category>
		<category><![CDATA[расчет доходности]]></category>
		<guid isPermaLink="false">https://mlgu.ru/?p=1610</guid>

					<description><![CDATA[Матрицы позволяют структурировать, анализировать и трансформировать финансовые данные с высокой точностью и скоростью. От простого расчета ковариационных матриц до сложных алгоритмов машинного обучения – матричные вычисления лежат в основе практически каждого серьезного количественного анализа на финансовых рынках. В этой статье я подробно рассмотрю, как матричные операции применяются в финансовой аналитике, какие преимущества они дают квантовым [&#8230;]]]></description>
		
		
		
			</item>
		<item>
		<title>Линейная алгебра: векторы и матрицы в финансовой математике</title>
		<link>https://mlgu.ru/1305/</link>
		
		<dc:creator><![CDATA[dkrylov]]></dc:creator>
		<pubDate>Sun, 27 Apr 2025 13:56:31 +0000</pubDate>
				<category><![CDATA[Анализ данных]]></category>
		<category><![CDATA[pca]]></category>
		<category><![CDATA[анализ рынков]]></category>
		<category><![CDATA[квантитативный анализ]]></category>
		<category><![CDATA[оптимизация портфеля]]></category>
		<guid isPermaLink="false">https://mlgu.ru/?p=1305</guid>

					<description><![CDATA[В количественном анализе любых биржевых активов: акций, облигаций, деривативов, линейная алгебра стала незаменимым инструментом для любого специалиста по анализу данных. В финансовой аналитике глубокое понимание векторов, матриц и связанных с ними операций открывает двери к решению сложнейших финансовых задач, от оптимизации инвестиционных портфелей до моделирования рыночных рисков. В этой статье я хочу поделиться своими знаниями [&#8230;]]]></description>
		
		
		
			</item>
	</channel>
</rss>
