<?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>time series &#8212; &gt; Machine Learning Guru|</title>
	<atom:link href="https://mlgu.ru/tag/time-series/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>time series &#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>Современные методы STL декомпозиции (STL Decomposition)</title>
		<link>https://mlgu.ru/6944/</link>
		
		<dc:creator><![CDATA[dkrylov]]></dc:creator>
		<pubDate>Thu, 19 Mar 2026 08:24:08 +0000</pubDate>
				<category><![CDATA[Классический ML]]></category>
		<category><![CDATA[time series]]></category>
		<category><![CDATA[прогнозирование]]></category>
		<category><![CDATA[сплайны]]></category>
		<guid isPermaLink="false">https://mlgu.ru/?p=6944</guid>

					<description><![CDATA[STL (Seasonal and Trend decomposition using Loess) — один из фундаментальных инструментов анализа временных рядов. Метод разделяет ряд на три компоненты: тренд, сезонность и остаток. Это позволяет анализировать каждую составляющую независимо, строить более точные прогнозы и выделять аномалии. С момента публикации оригинальной работы Cleveland et al. (1990) метод существенно развился. Современные расширения снимают большинство ограничений [&#8230;]]]></description>
		
		
		
			</item>
		<item>
		<title>Библиотека Greykite в Python: установка, настройка и практические примеры прогнозирования рядов</title>
		<link>https://mlgu.ru/6928/</link>
		
		<dc:creator><![CDATA[dkrylov]]></dc:creator>
		<pubDate>Tue, 17 Mar 2026 20:41:58 +0000</pubDate>
				<category><![CDATA[Классический ML]]></category>
		<category><![CDATA[time series]]></category>
		<category><![CDATA[временные ряды]]></category>
		<category><![CDATA[обучение моделей]]></category>
		<category><![CDATA[прогнозирование]]></category>
		<guid isPermaLink="false">https://mlgu.ru/?p=6928</guid>

					<description><![CDATA[Greykite — библиотека для прогнозирования временных рядов с открытым исходным кодом, разработанная командой LinkedIn и выпущенная в 2021 году. Основу составляет алгоритм Silverkite — быстрая аддитивная модель, построенная на ridge-регрессии с богатым набором фич: тренд, сезонность, праздники, взаимодействия между компонентами. В отличие от большинства библиотек прогнозирования, Greykite дает полный контроль над структурой модели без необходимости [&#8230;]]]></description>
		
		
		
			</item>
		<item>
		<title>Долгосрочное прогнозирование динамики облигаций с помощью ансамбля статистических моделей</title>
		<link>https://mlgu.ru/6354/</link>
		
		<dc:creator><![CDATA[dkrylov]]></dc:creator>
		<pubDate>Mon, 17 Nov 2025 18:14:46 +0000</pubDate>
				<category><![CDATA[Классический ML]]></category>
		<category><![CDATA[arima]]></category>
		<category><![CDATA[statsforecast]]></category>
		<category><![CDATA[time series]]></category>
		<category><![CDATA[прогнозирование]]></category>
		<guid isPermaLink="false">https://mlgu.ru/?p=6354</guid>

					<description><![CDATA[Долгосрочное прогнозирование динамики облигаций — одна из самых сложных задач финансовой аналитики. На горизонтах в 12 месяцев и более даже относительно стабильные рынки перестают вести себя «гладко»: усиливается влияние макроэкономических факторов, процентных ставок, медленных структурных сдвигов и поведенческих эффектов, что приводит к асимметричным реакциям на риски. В таких условиях многие модели машинного обучения формируют смещенные [&#8230;]]]></description>
		
		
		
			</item>
		<item>
		<title>Продвинутые способы кросс-валидации, разделения выборок рядов: Expanding Window Splitter, Blocked Time Series Split и другие</title>
		<link>https://mlgu.ru/6167/</link>
		
		<dc:creator><![CDATA[dkrylov]]></dc:creator>
		<pubDate>Tue, 11 Nov 2025 15:54:26 +0000</pubDate>
				<category><![CDATA[Классический ML]]></category>
		<category><![CDATA[time series]]></category>
		<category><![CDATA[кросс-валидация]]></category>
		<category><![CDATA[машинное обучение]]></category>
		<guid isPermaLink="false">https://mlgu.ru/?p=6167</guid>

					<description><![CDATA[Традиционно в задачах прогнозирования для разделения выборок временных рядов используется метод TimeSeriesSplit из библиотеки scikit-learn. Этот подход гарантирует сохранение хронологической последовательности: обучающая выборка всегда предшествует тестовой, исключая утечку информации из будущего. TimeSeriesSplit создает несколько последовательных сплитов с постепенно расширяющимся окном обучения, что позволяет надежно оценить обобщающую способность модели на будущих данных и является стандартом в большинстве [&#8230;]]]></description>
		
		
		
			</item>
		<item>
		<title>Библиотека ETNA в Python для прогнозирования временных рядов</title>
		<link>https://mlgu.ru/4517/</link>
		
		<dc:creator><![CDATA[dkrylov]]></dc:creator>
		<pubDate>Thu, 11 Sep 2025 19:11:49 +0000</pubDate>
				<category><![CDATA[Классический ML]]></category>
		<category><![CDATA[time series]]></category>
		<category><![CDATA[библиотеки для биржевой торговли]]></category>
		<category><![CDATA[бэктестинг]]></category>
		<category><![CDATA[временные ряды]]></category>
		<category><![CDATA[прогнозирование]]></category>
		<guid isPermaLink="false">https://mlgu.ru/?p=4517</guid>

					<description><![CDATA[Мне довелось работать с множеством инструментов для анализа временных рядов, и постоянно приходилось комбинировать различные библиотеки, чтобы получить полный цикл работы с временными рядами &#8212; от предобработки до бэктестинга, от подбора гиперпараметров до подготовки к деплою. Библиотека ETNA (Easy Time-series Analysis) от команды T-Bank AI Center решает эту проблему элегантно, предоставляя единый интерфейс для всех [&#8230;]]]></description>
		
		
		
			</item>
		<item>
		<title>Нейросети для прогнозирования последовательных данных</title>
		<link>https://mlgu.ru/3598/</link>
		
		<dc:creator><![CDATA[dkrylov]]></dc:creator>
		<pubDate>Mon, 21 Jul 2025 09:45:59 +0000</pubDate>
				<category><![CDATA[Нейронные сети]]></category>
		<category><![CDATA[deep learning]]></category>
		<category><![CDATA[time series]]></category>
		<category><![CDATA[временные ряды]]></category>
		<category><![CDATA[прогнозирование]]></category>
		<guid isPermaLink="false">https://mlgu.ru/?p=3598</guid>

					<description><![CDATA[В мире, где объемы данных растут экспоненциально, способность точно прогнозировать будущие значения становится не просто конкурентным преимуществом, а необходимостью. Для решения этой задачи все больше компаний внедряют машинное обучение. И самым передовым подходом машинного обучения являются нейронные сети. Нейросети сегодня применяются для разного круга задач: детекция изображений, генерация текста и изображений, саммаризация и т. д. [&#8230;]]]></description>
		
		
		
			</item>
		<item>
		<title>Библиотека sktime для анализа временных рядов</title>
		<link>https://mlgu.ru/3319/</link>
		
		<dc:creator><![CDATA[dkrylov]]></dc:creator>
		<pubDate>Mon, 07 Jul 2025 11:48:22 +0000</pubDate>
				<category><![CDATA[Классический ML]]></category>
		<category><![CDATA[sklearn]]></category>
		<category><![CDATA[time series]]></category>
		<category><![CDATA[библиотеки для биржевой торговли]]></category>
		<category><![CDATA[временные ряды]]></category>
		<category><![CDATA[прогнозирование]]></category>
		<guid isPermaLink="false">https://mlgu.ru/?p=3319</guid>

					<description><![CDATA[Библиотека для Python sktime предлагает унифицированный интерфейс для различных задач обработки временных рядов, включая классификацию, регрессию, кластеризацию, прогнозирование и многое другое. Что делает ее по-настоящему уникальной &#8212; это интеграция с экосистемой scikit-learn, что позволяет использовать привычные паттерны и методологии в контексте временных рядов. В этой статье я подробно разберу возможности sktime, продемонстрирую практические примеры использования [&#8230;]]]></description>
		
		
		
			</item>
		<item>
		<title>Foundation-модели для временных рядов</title>
		<link>https://mlgu.ru/2709/</link>
		
		<dc:creator><![CDATA[dkrylov]]></dc:creator>
		<pubDate>Wed, 11 Jun 2025 23:07:17 +0000</pubDate>
				<category><![CDATA[Нейронные сети]]></category>
		<category><![CDATA[deep learning]]></category>
		<category><![CDATA[time series]]></category>
		<category><![CDATA[zero shot forecasting]]></category>
		<category><![CDATA[временные ряды]]></category>
		<category><![CDATA[математическое моделирование]]></category>
		<category><![CDATA[прогнозирование]]></category>
		<guid isPermaLink="false">https://mlgu.ru/?p=2709</guid>

					<description><![CDATA[В последние годы я наблюдаю значительный прогресс исследований в области анализа временных рядов. В том числе в ML-моделях. То, что раньше требовало месяцев кропотливой работы, связанной с генерацией признаков и тонкой настройки специализированных моделей, теперь может быть решено с помощью Foundation-моделей буквально за несколько часов. Эта технология не просто улучшает точность прогнозов — она полностью [&#8230;]]]></description>
		
		
		
			</item>
		<item>
		<title>PatchTST: Трансформер для прогнозирования временных рядов</title>
		<link>https://mlgu.ru/2535/</link>
		
		<dc:creator><![CDATA[dkrylov]]></dc:creator>
		<pubDate>Thu, 29 May 2025 18:37:24 +0000</pubDate>
				<category><![CDATA[Нейронные сети]]></category>
		<category><![CDATA[patchtst]]></category>
		<category><![CDATA[time series]]></category>
		<category><![CDATA[временные ряды]]></category>
		<category><![CDATA[нейросети]]></category>
		<category><![CDATA[прогнозирование]]></category>
		<category><![CDATA[трансформеры]]></category>
		<guid isPermaLink="false">https://mlgu.ru/?p=2535</guid>

					<description><![CDATA[За последние годы область прогнозирования временных рядов сделала ощутимый скачок вперед благодаря внедрению архитектур трансформеров. Если раньше в этой области полновластно доминировали бустинги, рекуррентные нейронные сети и классические статистические методы, то сегодня мы наблюдаем настоящий прорыв в точности и эффективности нейросетевых моделей. Одной из наиболее значимых инноваций стала архитектура PatchTST, которая не просто адаптировала трансформеры [&#8230;]]]></description>
		
		
		
			</item>
	</channel>
</rss>
