<?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>трансформеры &#8212; &gt; Machine Learning Guru|</title>
	<atom:link href="https://mlgu.ru/tag/transformers/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>трансформеры &#8212; &gt; Machine Learning Guru|</title>
	<link>https://mlgu.ru</link>
	<width>32</width>
	<height>32</height>
</image> 
	<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>
		<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>
		<item>
		<title>Новейшие модели прогнозирования временных рядов</title>
		<link>https://mlgu.ru/59/</link>
		
		<dc:creator><![CDATA[dkrylov]]></dc:creator>
		<pubDate>Sat, 07 Sep 2024 23:03:40 +0000</pubDate>
				<category><![CDATA[Нейронные сети]]></category>
		<category><![CDATA[moirai]]></category>
		<category><![CDATA[moment_ts]]></category>
		<category><![CDATA[patchtst]]></category>
		<category><![CDATA[time series]]></category>
		<category><![CDATA[timegpt]]></category>
		<category><![CDATA[timesfm]]></category>
		<category><![CDATA[ttm]]></category>
		<category><![CDATA[временные ряды]]></category>
		<category><![CDATA[машинное обучение]]></category>
		<category><![CDATA[нейросети]]></category>
		<category><![CDATA[прогнозирование]]></category>
		<category><![CDATA[трансформеры]]></category>
		<guid isPermaLink="false">http://mlgu.ru/?p=59</guid>

					<description><![CDATA[Прогнозирование временных рядов &#8212; одна из важнейших задач в области data science. Долгое время эти задачи не доверяли нейронным сетям: исследователи предпочитали использовать быстрые, надежные и понятные методы классического машинного обучения. К тому же, точность нейронок в таких задачах оставляла желать лучшего. Однако, в последние годы кое-что изменилось &#8212; нейросети начали побеждать классические ML алгоритмы [&#8230;]]]></description>
		
		
		
			</item>
	</channel>
</rss>
