<?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>rnn &#8212; &gt; Machine Learning Guru|</title>
	<atom:link href="https://mlgu.ru/tag/rnn/feed/" rel="self" type="application/rss+xml" />
	<link>https://mlgu.ru</link>
	<description></description>
	<lastBuildDate>Fri, 20 Mar 2026 11:30:24 +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>rnn &#8212; &gt; Machine Learning Guru|</title>
	<link>https://mlgu.ru</link>
	<width>32</width>
	<height>32</height>
</image> 
	<item>
		<title>Анализ временных рядов с помощью нейросетей: полный обзор подходов</title>
		<link>https://mlgu.ru/6970/</link>
		
		<dc:creator><![CDATA[dkrylov]]></dc:creator>
		<pubDate>Fri, 20 Mar 2026 11:14:12 +0000</pubDate>
				<category><![CDATA[Нейронные сети]]></category>
		<category><![CDATA[lstm]]></category>
		<category><![CDATA[n-beats]]></category>
		<category><![CDATA[rnn]]></category>
		<category><![CDATA[time series]]></category>
		<category><![CDATA[временные ряды]]></category>
		<category><![CDATA[нейросети]]></category>
		<category><![CDATA[прогнозирование]]></category>
		<guid isPermaLink="false">https://mlgu.ru/?p=6970</guid>

					<description><![CDATA[Анализ временных рядов — одна из наиболее частых задач, с которой сталкиваются аналитики и дата-саентисты: трафик сайтов, экономические показатели, продажи и спрос, биржевые котировки, потребление электроэнергии, датчики IoT, медицинские сигналы&#8230; Все это временные ряды. Несмотря на то, что эта область очень хорошо изучена, моделирование и прогнозирование временных рядов по-прежнему остается одной из наиболее сложных задач. [&#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>Оптимизация цепочек поставок с помощью машинного обучения</title>
		<link>https://mlgu.ru/1011/</link>
		
		<dc:creator><![CDATA[dkrylov]]></dc:creator>
		<pubDate>Fri, 08 Nov 2024 19:29:20 +0000</pubDate>
				<category><![CDATA[Классический ML]]></category>
		<category><![CDATA[big data]]></category>
		<category><![CDATA[random forest]]></category>
		<category><![CDATA[rnn]]></category>
		<category><![CDATA[бизнес аналитика]]></category>
		<category><![CDATA[графы]]></category>
		<category><![CDATA[машинное обучение]]></category>
		<category><![CDATA[оптимизация бизнеса]]></category>
		<category><![CDATA[прогнозирование]]></category>
		<guid isPermaLink="false">https://mlgu.ru/?p=1011</guid>

					<description><![CDATA[Управление современными цепочками поставок &#8212; это чрезвычайно сложная задача, которая требует постоянного балансирования между множеством взаимосвязанных факторов. Как эксперт в области анализа данных, я убежден, что применение передовых методов искусственного интеллекта способно радикально преобразить этот процесс, сделав его более эффективным, гибким и устойчивым к различным нарушениям. В этой статье я подробно расскажу, как использование алгоритмов [&#8230;]]]></description>
		
		
		
			</item>
		<item>
		<title>Поиск аномалий в данных с Python</title>
		<link>https://mlgu.ru/861/</link>
		
		<dc:creator><![CDATA[dkrylov]]></dc:creator>
		<pubDate>Wed, 16 Oct 2024 21:33:23 +0000</pubDate>
				<category><![CDATA[Классический ML]]></category>
		<category><![CDATA[autoencoders]]></category>
		<category><![CDATA[isolation forest]]></category>
		<category><![CDATA[rnn]]></category>
		<category><![CDATA[time series]]></category>
		<category><![CDATA[аномалии]]></category>
		<category><![CDATA[временные ряды]]></category>
		<category><![CDATA[мониторинг]]></category>
		<guid isPermaLink="false">https://mlgu.ru/?p=861</guid>

					<description><![CDATA[Аномалии в данных (или выбросы) представляют собой нетипичные, необычные или экстремальные значения, которые могут указывать на ошибки, всплески, странные события, атаку конкурентов, мошенников и другие потенциальные проблемы. Большое количество аномалий не только пагубно влияет на многие бизнес-модели, но еще может затруднить машинное обучение или вовсе исказить его результаты. Вот почему их важно обнаруживать и работать [&#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>
