<?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>seaborn &#8212; &gt; Machine Learning Guru|</title>
	<atom:link href="https://mlgu.ru/tag/seaborn/feed/" rel="self" type="application/rss+xml" />
	<link>https://mlgu.ru</link>
	<description></description>
	<lastBuildDate>Thu, 20 Nov 2025 21:57:14 +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>seaborn &#8212; &gt; Machine Learning Guru|</title>
	<link>https://mlgu.ru</link>
	<width>32</width>
	<height>32</height>
</image> 
	<item>
		<title>Массивы NumPy и Pandas. Техники дескриптивного анализа</title>
		<link>https://mlgu.ru/1535/</link>
		
		<dc:creator><![CDATA[dkrylov]]></dc:creator>
		<pubDate>Fri, 02 May 2025 06:27:18 +0000</pubDate>
				<category><![CDATA[Анализ данных]]></category>
		<category><![CDATA[big data]]></category>
		<category><![CDATA[pandas]]></category>
		<category><![CDATA[seaborn]]></category>
		<category><![CDATA[корреляции]]></category>
		<category><![CDATA[стат анализ]]></category>
		<guid isPermaLink="false">https://mlgu.ru/?p=1535</guid>

					<description><![CDATA[В мире анализа данных сложно переоценить важность эффективных инструментов для работы с большими массивами информации. В этой статье я хочу поделиться своим опытом использования двух фундаментальных библиотек Python для анализа данных: NumPy и Pandas, а также рассказать о техниках дескриптивного анализа, которые позволяют извлечь максимум полезной информации из имеющихся данных. Фишки NumPy: высокопроизводительные вычисления с [&#8230;]]]></description>
		
		
		
			</item>
		<item>
		<title>RFM-анализ с помощью Python</title>
		<link>https://mlgu.ru/1071/</link>
		
		<dc:creator><![CDATA[dkrylov]]></dc:creator>
		<pubDate>Sat, 09 Nov 2024 17:47:39 +0000</pubDate>
				<category><![CDATA[Классический ML]]></category>
		<category><![CDATA[kmeans]]></category>
		<category><![CDATA[pandas]]></category>
		<category><![CDATA[seaborn]]></category>
		<category><![CDATA[бизнес аналитика]]></category>
		<category><![CDATA[сегментация]]></category>
		<guid isPermaLink="false">https://mlgu.ru/?p=1071</guid>

					<description><![CDATA[RFM-анализ &#8212; это мощный метод сегментации клиентов, основанный на трех ключевых метриках их поведения: Recency (давность последней покупки), Frequency (частота покупок) и Monetary Value (денежная ценность клиента). За свою карьеру в области data science я убедился, что это один из самых эффективных способов понять и структурировать клиентскую базу. Каждый раз, когда я применяю RFM-анализ в [&#8230;]]]></description>
		
		
		
			</item>
		<item>
		<title>Поиск причинно-следственных связей с помощью Python</title>
		<link>https://mlgu.ru/796/</link>
		
		<dc:creator><![CDATA[dkrylov]]></dc:creator>
		<pubDate>Sun, 13 Oct 2024 14:33:26 +0000</pubDate>
				<category><![CDATA[Анализ данных]]></category>
		<category><![CDATA[seaborn]]></category>
		<category><![CDATA[визуализации]]></category>
		<category><![CDATA[корреляции]]></category>
		<category><![CDATA[стат анализ]]></category>
		<guid isPermaLink="false">https://mlgu.ru/?p=796</guid>

					<description><![CDATA[Любой анализ данных разбивается на этапы. И поиск причинно-следственных связей является одним из первых таких этапов, и входит в число наиболее важных. С помощью Python и его мощных библиотек для статистического анализа данных и визуализаций можно эффективно анализировать данные и выявлять взаимосвязи между различными переменными. Искать причино-следственные связи приходится специалистам в любых областях. В частности, [&#8230;]]]></description>
		
		
		
			</item>
		<item>
		<title>Профессиональный анализ данных бизнеса с помощью Python и Pandas</title>
		<link>https://mlgu.ru/684/</link>
		
		<dc:creator><![CDATA[dkrylov]]></dc:creator>
		<pubDate>Thu, 26 Sep 2024 20:23:11 +0000</pubDate>
				<category><![CDATA[Анализ данных]]></category>
		<category><![CDATA[pandas]]></category>
		<category><![CDATA[seaborn]]></category>
		<category><![CDATA[бизнес аналитика]]></category>
		<guid isPermaLink="false">https://mlgu.ru/?p=684</guid>

					<description><![CDATA[Многие владельцы бизнеса не хотят погружаться в аналитику. И это нормально. У этих людей совершенно другие приоритеты: им нужно развивать свой бизнес, встречаться с важными клиентами, управлять персоналом, решать стратегические проблемы. У них нет времени погружаться в детали. И в этой ситуации крайне важно иметь под рукой опытного аналитика, желательно дата саентиста. Имея такого человека [&#8230;]]]></description>
		
		
		
			</item>
	</channel>
</rss>
