<?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>pytorch &#8212; &gt; Machine Learning Guru|</title>
	<atom:link href="https://mlgu.ru/tag/pytorch/feed/" rel="self" type="application/rss+xml" />
	<link>https://mlgu.ru</link>
	<description></description>
	<lastBuildDate>Thu, 20 Nov 2025 21:52:54 +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>pytorch &#8212; &gt; Machine Learning Guru|</title>
	<link>https://mlgu.ru</link>
	<width>32</width>
	<height>32</height>
</image> 
	<item>
		<title>Виды функций потерь в машинном обучении</title>
		<link>https://mlgu.ru/6368/</link>
		
		<dc:creator><![CDATA[dkrylov]]></dc:creator>
		<pubDate>Tue, 18 Nov 2025 22:17:07 +0000</pubDate>
				<category><![CDATA[Нейронные сети]]></category>
		<category><![CDATA[pytorch]]></category>
		<category><![CDATA[классификация]]></category>
		<category><![CDATA[обучение моделей]]></category>
		<category><![CDATA[сегментация]]></category>
		<guid isPermaLink="false">https://mlgu.ru/?p=6368</guid>

					<description><![CDATA[Функция потерь — это способ «сообщить» модели, какие ошибки наиболее критичны. Математическая формулировка напрямую влияет на поведение модели во время обучения: какие ошибки минимизируются в приоритетном порядке, как модель реагирует на выбросы и насколько агрессивно оптимизирует параметры. Оптимизация этой функции через градиентный спуск составляет основу обучения моделей машинного обучения. Разные типы задач требуют разных функций [&#8230;]]]></description>
		
		
		
			</item>
		<item>
		<title>Градиенты: от затухания до взрыва. Методы стабилизации</title>
		<link>https://mlgu.ru/6346/</link>
		
		<dc:creator><![CDATA[dkrylov]]></dc:creator>
		<pubDate>Sun, 16 Nov 2025 08:28:42 +0000</pubDate>
				<category><![CDATA[Нейронные сети]]></category>
		<category><![CDATA[deep learning]]></category>
		<category><![CDATA[pytorch]]></category>
		<category><![CDATA[rnn]]></category>
		<category><![CDATA[обучение моделей]]></category>
		<guid isPermaLink="false">https://mlgu.ru/?p=6346</guid>

					<description><![CDATA[Глубокие нейронные сети решают задачи классификации, регрессии и прогнозирования временных рядов. Обучение таких моделей основано на методе обратного распространения ошибки (backpropagation), который вычисляет градиенты функции потерь по параметрам сети. Градиенты определяют направление и величину обновления весов. Чем больше нейронная сеть, тем сложнее контролировать градиенты. В сетях с десятками слоев возникает проблема: градиенты либо экспоненциально уменьшаются [&#8230;]]]></description>
		
		
		
			</item>
		<item>
		<title>Прогнозирование временных рядов с xLSTM</title>
		<link>https://mlgu.ru/6212/</link>
		
		<dc:creator><![CDATA[dkrylov]]></dc:creator>
		<pubDate>Thu, 13 Nov 2025 20:51:14 +0000</pubDate>
				<category><![CDATA[Нейронные сети]]></category>
		<category><![CDATA[lstm]]></category>
		<category><![CDATA[pytorch]]></category>
		<category><![CDATA[временные ряды]]></category>
		<category><![CDATA[нейросети]]></category>
		<category><![CDATA[прогнозирование]]></category>
		<guid isPermaLink="false">https://mlgu.ru/?p=6212</guid>

					<description><![CDATA[Классические модели прогнозирования временных рядов, такие как градиентный бустинг, хорошо работают на табличных данных и с короткими историческими окнами. Однако при анализе длинных последовательностей и рядов с взаимозависимыми признаками их эффективность драматически падает. В таких случаях стоит присмотреться к нейронным сетям, так как они лучше моделируют сложные временные зависимости. Одним из интересных решений в этой [&#8230;]]]></description>
		
		
		
			</item>
		<item>
		<title>LSTM для прогнозирования волатильности: многослойные архитектуры и sequence-to-sequence подходы</title>
		<link>https://mlgu.ru/4634/</link>
		
		<dc:creator><![CDATA[dkrylov]]></dc:creator>
		<pubDate>Fri, 26 Sep 2025 12:10:51 +0000</pubDate>
				<category><![CDATA[Нейронные сети]]></category>
		<category><![CDATA[deep learning]]></category>
		<category><![CDATA[lstm]]></category>
		<category><![CDATA[pytorch]]></category>
		<category><![CDATA[волатильность]]></category>
		<category><![CDATA[временные ряды]]></category>
		<category><![CDATA[моделирование риска]]></category>
		<category><![CDATA[прогнозирование]]></category>
		<guid isPermaLink="false">https://mlgu.ru/?p=4634</guid>

					<description><![CDATA[В течение последних нескольких лет работы с временными рядами финансовых данных я неоднократно сталкивался с проблемой прогнозирования волатильности. Классические GARCH модели и их вариации показывают ограниченную эффективность при краткосрочных и intraday-стратегиях, особенно когда рынок демонстрирует резкие структурные сдвиги. Сегодня хочу поделиться своими наблюдениями о применении LSTM архитектур для решения этой задачи &#8212; от базовых многослойных [&#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>Продвинутые методы предиктивной аналитики с глубокими нейронными сетями</title>
		<link>https://mlgu.ru/848/</link>
		
		<dc:creator><![CDATA[dkrylov]]></dc:creator>
		<pubDate>Wed, 16 Oct 2024 20:01:16 +0000</pubDate>
				<category><![CDATA[Нейронные сети]]></category>
		<category><![CDATA[e-commerce]]></category>
		<category><![CDATA[feature engineering]]></category>
		<category><![CDATA[keras]]></category>
		<category><![CDATA[lstm]]></category>
		<category><![CDATA[pytorch]]></category>
		<category><![CDATA[retention]]></category>
		<category><![CDATA[rnn]]></category>
		<category><![CDATA[tensorflow]]></category>
		<category><![CDATA[бизнес аналитика]]></category>
		<category><![CDATA[предиктивная аналитика]]></category>
		<category><![CDATA[прогнозирование]]></category>
		<category><![CDATA[трансформеры]]></category>
		<guid isPermaLink="false">https://mlgu.ru/?p=848</guid>

					<description><![CDATA[В современном мире данные стали новой нефтью, а способность предсказывать будущие тенденции на их основе – критически важным конкурентным преимуществом. За последние несколько лет я реализовал десятки проектов в области предиктивной аналитики с использованием глубокого обучения и нейронных сетей, и сегодня хочу поделиться своим опытом и знаниями в этой захватывающей области. Преимущества deep learning в [&#8230;]]]></description>
		
		
		
			</item>
	</channel>
</rss>
