<?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>визуализации &#8212; &gt; Machine Learning Guru|</title>
	<atom:link href="https://mlgu.ru/tag/visualisations/feed/" rel="self" type="application/rss+xml" />
	<link>https://mlgu.ru</link>
	<description></description>
	<lastBuildDate>Thu, 20 Nov 2025 21:56:20 +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>визуализации &#8212; &gt; Machine Learning Guru|</title>
	<link>https://mlgu.ru</link>
	<width>32</width>
	<height>32</height>
</image> 
	<item>
		<title>Обнаружение зон концентрации ликвидности на кластерных графиках</title>
		<link>https://mlgu.ru/6084/</link>
		
		<dc:creator><![CDATA[dkrylov]]></dc:creator>
		<pubDate>Thu, 06 Nov 2025 11:14:04 +0000</pubDate>
				<category><![CDATA[Анализ данных]]></category>
		<category><![CDATA[алгоритмические стратегии]]></category>
		<category><![CDATA[биржевая аналитика]]></category>
		<category><![CDATA[визуализации]]></category>
		<guid isPermaLink="false">https://mlgu.ru/?p=6084</guid>

					<description><![CDATA[Зоны концентрации ликвидности — это ценовые уровни, на которых скапливается значительный объем лимитных ордеров. Эти зоны формируются, когда множество участников рынка размещают заявки в узком ценовом диапазоне, создавая барьеры для движения цены. Обнаружение таких зон позволяет прогнозировать уровни поддержки и сопротивления на основе реального распределения объемов, а не графических паттернов. Кластерные графики отображают объемы торгов [&#8230;]]]></description>
		
		
		
			</item>
		<item>
		<title>23 способа визуализации котировок с помощью Mplfinance</title>
		<link>https://mlgu.ru/2326/</link>
		
		<dc:creator><![CDATA[dkrylov]]></dc:creator>
		<pubDate>Sat, 17 May 2025 11:43:57 +0000</pubDate>
				<category><![CDATA[Анализ данных]]></category>
		<category><![CDATA[анализ рынков]]></category>
		<category><![CDATA[библиотеки для биржевой торговли]]></category>
		<category><![CDATA[визуализации]]></category>
		<category><![CDATA[временные ряды]]></category>
		<guid isPermaLink="false">https://mlgu.ru/?p=2326</guid>

					<description><![CDATA[Библиотека mplfinance для Python — это мощный инструмент, благодаря которому аналитики и трейдеры получают множество инсайтов при визуализации рыночных данных. В этой статье я расскажу о 23 различных способах визуализации котировок с использованием библиотеки mplfinance, начиная от базовых графиков до продвинутых техник. Основы работы с mplfinance Перед тем как перейти к конкретным методам визуализации, давайте [&#8230;]]]></description>
		
		
		
			</item>
		<item>
		<title>16 способов визуализации биржевых данных с помощью Matplotlib</title>
		<link>https://mlgu.ru/2012/</link>
		
		<dc:creator><![CDATA[dkrylov]]></dc:creator>
		<pubDate>Fri, 09 May 2025 21:33:03 +0000</pubDate>
				<category><![CDATA[Анализ данных]]></category>
		<category><![CDATA[matplotlib]]></category>
		<category><![CDATA[анализ рынков]]></category>
		<category><![CDATA[библиотеки для биржевой торговли]]></category>
		<category><![CDATA[визуализации]]></category>
		<category><![CDATA[временные ряды]]></category>
		<guid isPermaLink="false">https://mlgu.ru/?p=2012</guid>

					<description><![CDATA[Matplotlib — одна из самых мощных и гибких библиотек Python для визуализации, без импорта которой не обходится, пожалуй, ни одно исследование. В этой статье я поделюсь 16 интересными примерами визуализации биржевых данных с использованием исключительно библиотеки Matplotlib. Мы рассмотрим как базовые графики, так и более продвинутые визуализации, которые применяются в квантовых исследованиях и алгоритмической торговле. [&#8230;]]]></description>
		
		
		
			</item>
		<item>
		<title>Анализ фьючерса на Brent с помощью Pandas, Sklearn, Hmmlearn</title>
		<link>https://mlgu.ru/1495/</link>
		
		<dc:creator><![CDATA[dkrylov]]></dc:creator>
		<pubDate>Thu, 01 May 2025 20:20:16 +0000</pubDate>
				<category><![CDATA[Анализ данных]]></category>
		<category><![CDATA[markov-chains]]></category>
		<category><![CDATA[pandas]]></category>
		<category><![CDATA[sklearn]]></category>
		<category><![CDATA[time series]]></category>
		<category><![CDATA[анализ рынков]]></category>
		<category><![CDATA[биржевая аналитика]]></category>
		<category><![CDATA[визуализации]]></category>
		<category><![CDATA[волатильность]]></category>
		<category><![CDATA[временные ряды]]></category>
		<guid isPermaLink="false">https://mlgu.ru/?p=1495</guid>

					<description><![CDATA[Фьючерсы на Brent являются международным эталоном для мировых цен на нефть, их мониторят нефтяные трейдеры во всем мире. Они представляют собой контракты, которые обязывают покупателя приобрести, а продавца продать определенное количество нефти в будущем по цене, согласованной сегодня. Профессиональный анализ фьючерсов на нефть Brent может дать значительное преимущество трейдерам и инвесторам, особенно если применять современные [&#8230;]]]></description>
		
		
		
			</item>
		<item>
		<title>Стационарность временных рядов. Как анализировать нестационарные данные?</title>
		<link>https://mlgu.ru/1245/</link>
		
		<dc:creator><![CDATA[dkrylov]]></dc:creator>
		<pubDate>Sat, 26 Apr 2025 20:39:15 +0000</pubDate>
				<category><![CDATA[Анализ данных]]></category>
		<category><![CDATA[matplotlib]]></category>
		<category><![CDATA[time series]]></category>
		<category><![CDATA[визуализации]]></category>
		<category><![CDATA[временные ряды]]></category>
		<category><![CDATA[прогнозирование]]></category>
		<category><![CDATA[стат анализ]]></category>
		<guid isPermaLink="false">https://mlgu.ru/?p=1245</guid>

					<description><![CDATA[Работая с временными рядами в течение многих лет, я неизменно сталкиваюсь с фундаментальным вопросом стационарности данных. Стационарность — это не просто теоретическое понятие, а критически важное свойство, определяющее применимость большинства методов анализа и прогнозирования. Когда временной ряд стационарен, его статистические свойства не меняются со временем — это означает постоянство среднего значения, дисперсии и ковариационной структуры. [&#8230;]]]></description>
		
		
		
			</item>
		<item>
		<title>Анализ данных с Python на примере исследования изменения температуры в мире и России</title>
		<link>https://mlgu.ru/1088/</link>
		
		<dc:creator><![CDATA[dkrylov]]></dc:creator>
		<pubDate>Sat, 09 Nov 2024 20:38:33 +0000</pubDate>
				<category><![CDATA[Анализ данных]]></category>
		<category><![CDATA[pandas]]></category>
		<category><![CDATA[визуализации]]></category>
		<category><![CDATA[поиск закономерностей]]></category>
		<guid isPermaLink="false">https://mlgu.ru/?p=1088</guid>

					<description><![CDATA[Среднегодовая температура воздуха в большинстве стран растет с каждым годом. Это факт. И виноват в этом в первую очередь человек. Ученые подтвердили связь, а также влияние человеческой деятельности на климат. Многочисленные свидетельства указывают на беспрецедентный уровень изменения климата в истории человечества. В период с 2011 по 2020 год глобальная температура поверхности Земли была примерно на [&#8230;]]]></description>
		
		
		
			</item>
		<item>
		<title>Анализ данных с Python на примере инцидентов с автобусами Лондона</title>
		<link>https://mlgu.ru/1023/</link>
		
		<dc:creator><![CDATA[dkrylov]]></dc:creator>
		<pubDate>Sat, 09 Nov 2024 09:02:45 +0000</pubDate>
				<category><![CDATA[Анализ данных]]></category>
		<category><![CDATA[pandas]]></category>
		<category><![CDATA[визуализации]]></category>
		<category><![CDATA[корреляции]]></category>
		<guid isPermaLink="false">https://mlgu.ru/?p=1023</guid>

					<description><![CDATA[Лондон &#8212; это столица Великобритании и один из крупнейших городов мира. Этот город также обладает одной из самых развитых транспортных систем в мире. Лондонский метрополитен &#8212; один из крупнейших и старейших в мире, общая протяженность его сети превышает 400 км и насчитывает 270 станций. Автобусная сеть Лондона также является одной из крупнейших в мире. Она [&#8230;]]]></description>
		
		
		
			</item>
		<item>
		<title>A/B-тестирование маркетинговых кампаний с помощью Python</title>
		<link>https://mlgu.ru/871/</link>
		
		<dc:creator><![CDATA[dkrylov]]></dc:creator>
		<pubDate>Thu, 17 Oct 2024 22:18:34 +0000</pubDate>
				<category><![CDATA[Анализ данных]]></category>
		<category><![CDATA[a-b тесты]]></category>
		<category><![CDATA[e-commerce]]></category>
		<category><![CDATA[plotly]]></category>
		<category><![CDATA[веб аналитика]]></category>
		<category><![CDATA[визуализации]]></category>
		<category><![CDATA[интернет-реклама]]></category>
		<category><![CDATA[повышение конверсии]]></category>
		<category><![CDATA[стат анализ]]></category>
		<guid isPermaLink="false">https://mlgu.ru/?p=871</guid>

					<description><![CDATA[A/B-тесты сегодня широко используются в диджитал-маркетинге для анализа эффективности рекламных и маркетинговых стратегий. Благодаря таким тестам маркетологи и аналитики могут понять, какой дизайн сайта или приложения может конвертировать больше трафика в продажи. Целью A/B-тестирования может быть не только повышение продаж, но и увеличение подписчиков или трафика, установок приложений на смартфоны или других целевых действий. A/B-тестирование [&#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>Анализ поездок в такси с помощью статистических методов</title>
		<link>https://mlgu.ru/581/</link>
		
		<dc:creator><![CDATA[dkrylov]]></dc:creator>
		<pubDate>Sun, 22 Sep 2024 10:52:20 +0000</pubDate>
				<category><![CDATA[Анализ данных]]></category>
		<category><![CDATA[matplotlib]]></category>
		<category><![CDATA[pandas]]></category>
		<category><![CDATA[plotly]]></category>
		<category><![CDATA[визуализации]]></category>
		<category><![CDATA[стат анализ]]></category>
		<guid isPermaLink="false">https://mlgu.ru/?p=581</guid>

					<description><![CDATA[Пожалуй, каждый владелец таксопарка хоть раз, но задумывался о том, стоит ли тратить больше денег на более дорогие автомобили. С одной стороны, это кажется плохой идеей, но данные бизнес-анализа доказывают обратное. В этой статье я провел исследование поездок одной известной российской компании по предоставлению услуг такси и обнаружил интересную закономерность: чем выше класс автомобиля, тем [&#8230;]]]></description>
		
		
		
			</item>
	</channel>
</rss>
