<?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>pymc &#8212; &gt; Machine Learning Guru|</title>
	<atom:link href="https://mlgu.ru/tag/pymc/feed/" rel="self" type="application/rss+xml" />
	<link>https://mlgu.ru</link>
	<description></description>
	<lastBuildDate>Thu, 13 Nov 2025 22:31:30 +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>pymc &#8212; &gt; Machine Learning Guru|</title>
	<link>https://mlgu.ru</link>
	<width>32</width>
	<height>32</height>
</image> 
	<item>
		<title>Критерий Келли: научный подход к выбору размера позиции в трейдинге</title>
		<link>https://mlgu.ru/3740/</link>
		
		<dc:creator><![CDATA[dkrylov]]></dc:creator>
		<pubDate>Tue, 22 Jul 2025 17:30:48 +0000</pubDate>
				<category><![CDATA[Анализ данных]]></category>
		<category><![CDATA[pymc]]></category>
		<category><![CDATA[scipy]]></category>
		<category><![CDATA[алгоритмические стратегии]]></category>
		<category><![CDATA[маржинальная торговля]]></category>
		<category><![CDATA[оптимизация портфеля]]></category>
		<category><![CDATA[управление рисками]]></category>
		<guid isPermaLink="false">https://mlgu.ru/?p=3740</guid>

					<description><![CDATA[Критерий Келли — это математический подход к определению оптимального размера позиции в трейдинге, то есть сколько именно следует инвестировать в каждую сделку. Изначально разработанный для максимизации выигрыша в азартных играх, этот критерий сегодня широко применяется в инвестициях и алгоритмической торговле. В этой статье мы исследуем математические основы Критерия Келли, его применение в реальной торговле, ограничения, [&#8230;]]]></description>
		
		
		
			</item>
		<item>
		<title>Доверительная вероятность и уровень значимости в финансовом Data Science</title>
		<link>https://mlgu.ru/3565/</link>
		
		<dc:creator><![CDATA[dkrylov]]></dc:creator>
		<pubDate>Sat, 19 Jul 2025 09:45:29 +0000</pubDate>
				<category><![CDATA[Классический ML]]></category>
		<category><![CDATA[pymc]]></category>
		<category><![CDATA[scipy]]></category>
		<category><![CDATA[sklearn]]></category>
		<category><![CDATA[statsmodels]]></category>
		<category><![CDATA[бэктестинг]]></category>
		<category><![CDATA[вероятностные модели]]></category>
		<category><![CDATA[стат анализ]]></category>
		<guid isPermaLink="false">https://mlgu.ru/?p=3565</guid>

					<description><![CDATA[В мире Data Science принятие решений на основе данных требует не только вычислений, но и грамотной интерпретации статистических результатов. Одними из ключевых понятий при проверке гипотез являются доверительная вероятность (confidence level) и уровень значимости (significance level). Эти параметры помогают нам определить, насколько можно доверять полученным выводам и где пролегает граница между случайным совпадением и статистически [&#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>Марковские цепи Монте-Карло (Markov Chain Monte-Carlo, MCMC)</title>
		<link>https://mlgu.ru/3222/</link>
		
		<dc:creator><![CDATA[dkrylov]]></dc:creator>
		<pubDate>Sat, 05 Jul 2025 08:04:15 +0000</pubDate>
				<category><![CDATA[Классический ML]]></category>
		<category><![CDATA[markov-chains]]></category>
		<category><![CDATA[pymc]]></category>
		<category><![CDATA[sklearn]]></category>
		<category><![CDATA[байесовские модели]]></category>
		<category><![CDATA[корреляции]]></category>
		<category><![CDATA[оптимизация портфеля]]></category>
		<category><![CDATA[расчет доходности]]></category>
		<guid isPermaLink="false">https://mlgu.ru/?p=3222</guid>

					<description><![CDATA[MCMC представляет собой семейство алгоритмов, которые позволяют генерировать выборки из сложных вероятностных распределений, которые не имеют аналитического решения, либо оно сложно реализуемо. В основе этих методов лежит элегантное сочетание теории Марковских цепей и принципов Монте-Карло, что позволяет исследовать высокоразмерные пространства параметров с удивительной эффективностью. В этой статье мы погрузимся в мир методов MCMC, теорию и [&#8230;]]]></description>
		
		
		
			</item>
		<item>
		<title>Вероятностные модели для прогнозирования цен биржевых активов</title>
		<link>https://mlgu.ru/2500/</link>
		
		<dc:creator><![CDATA[dkrylov]]></dc:creator>
		<pubDate>Fri, 23 May 2025 13:26:59 +0000</pubDate>
				<category><![CDATA[Нейронные сети]]></category>
		<category><![CDATA[lstm]]></category>
		<category><![CDATA[markov-chains]]></category>
		<category><![CDATA[pymc]]></category>
		<category><![CDATA[pytorch]]></category>
		<category><![CDATA[xgboost]]></category>
		<category><![CDATA[анализ рынков]]></category>
		<category><![CDATA[вероятностные модели]]></category>
		<category><![CDATA[математическое моделирование]]></category>
		<guid isPermaLink="false">https://mlgu.ru/?p=2500</guid>

					<description><![CDATA[В этой статье я хочу поделиться своим подходом к использованию вероятностных моделей для прогнозирования цен активов. Мы разберем, почему традиционные методы часто подводят, какие подходы применяют профессионалы в хедж-фондах, и как вы можете использовать Python для реализации таких моделей. Моя цель — создать подробное руководство, которое будет полезно как для профессионалов в области data science, [&#8230;]]]></description>
		
		
		
			</item>
		<item>
		<title>Расчет доверительных интервалов и уровня значимости с Python</title>
		<link>https://mlgu.ru/1016/</link>
		
		<dc:creator><![CDATA[dkrylov]]></dc:creator>
		<pubDate>Sat, 09 Nov 2024 04:57:37 +0000</pubDate>
				<category><![CDATA[Анализ данных]]></category>
		<category><![CDATA[a-b тесты]]></category>
		<category><![CDATA[bootstraping]]></category>
		<category><![CDATA[pymc]]></category>
		<category><![CDATA[стат анализ]]></category>
		<guid isPermaLink="false">https://mlgu.ru/?p=1016</guid>

					<description><![CDATA[Работая над множеством проектов в области машинного обучения и анализа данных, я постоянно сталкиваюсь с необходимостью не просто получить какие-то метрики или показатели, но и оценить, насколько мы можем им доверять. Представьте ситуацию: вы разработали новую модель машинного обучения, которая показывает accuracy 85%. Звучит неплохо, верно? Но что если этот результат получен на небольшой выборке [&#8230;]]]></description>
		
		
		
			</item>
	</channel>
</rss>
