<?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>Янсен Стефан &#8212; Knigausa Bookstore: Russian Books</title>
	<atom:link href="https://knigausa.com/%D0%B0%D0%B2%D1%82%D0%BE%D1%80/%D1%8F%D0%BD%D1%81%D0%B5%D0%BD-%D1%81%D1%82%D0%B5%D1%84%D0%B0%D0%BD/feed/" rel="self" type="application/rss+xml" />
	<link>https://knigausa.com</link>
	<description>Just another WordPress site</description>
	<lastBuildDate>Wed, 05 Feb 2025 06:02:22 +0000</lastBuildDate>
	<language>ru-RU</language>
	<sy:updatePeriod>
	hourly	</sy:updatePeriod>
	<sy:updateFrequency>
	1	</sy:updateFrequency>
	<generator>https://wordpress.org/?v=6.7.4</generator>
	<item>
		<title>Машинное обучение для алгоритмической торговли на финансовых рынках. Практикум</title>
		<link>https://knigausa.com/product/%d0%bc%d0%b0%d1%88%d0%b8%d0%bd%d0%bd%d0%be%d0%b5-%d0%be%d0%b1%d1%83%d1%87%d0%b5%d0%bd%d0%b8%d0%b5-%d0%b4%d0%bb%d1%8f-%d0%b0%d0%bb%d0%b3%d0%be%d1%80%d0%b8%d1%82%d0%bc%d0%b8%d1%87%d0%b5%d1%81%d0%ba/</link>
		
		<dc:creator><![CDATA[]]></dc:creator>
		<pubDate>Mon, 27 May 2024 00:52:07 +0000</pubDate>
				<guid isPermaLink="false">https://knigausa.com/product/%d0%bc%d0%b0%d1%88%d0%b8%d0%bd%d0%bd%d0%be%d0%b5-%d0%be%d0%b1%d1%83%d1%87-%d0%b4%d0%bb%d1%8f-%d0%b0%d0%bb%d0%b3%d0%be%d1%80%d0%b8%d1%82%d0%bc-%d1%82%d0%be%d1%80%d0%b3%d0%be%d0%b2%d0%bb%d0%b8-%d0%bd/</guid>

					<description><![CDATA[Книга посвящена практике применения машинного обучения с целью создания мощных алгоритмических стратегий для успешной торговли на финансовых рынках. Изложены базовые принципы работы с данными: оценивание наборов данных, доступ к данным через API на языке Python, доступ к финансовым данным на платформе Quandl и управление ошибками предсказания. Рассмотрены построение и тренировка алгоритмических моделей с помощью Python-библиотек pandas, Seaborn, StatsModels и sklearn и построение, оценка и интерпретация моделей AR(p), MA(q) и ARIMA(p, d, q) с использованием библиотеки StatsModels. Описано применение библиотеки PyMC3 для байесового машинного обучения, библиотек NLTK, sklearn (Scikit-learn) и spaCy для назначения отметок финансовым новостям и классифицирования документов, библиотеки Keras для создания, настройки и оценки нейронных сетей прямого распространения, рекуррентных и сверточных сетей. Показано, как применять трансферное обучение к данным спутниковых снимков для предсказания экономической активности и как эффективно использовать подкрепляемое обучение для достижения оптимальных результатов торговли.]]></description>
										<content:encoded><![CDATA[<p>Книга посвящена практике применения машинного обучения с целью создания мощных алгоритмических стратегий для успешной торговли на финансовых рынках. Изложены базовые принципы работы с данными: оценивание наборов данных, доступ к данным через API на языке Python, доступ к финансовым данным на платформе Quandl и управление ошибками предсказания. Рассмотрены построение и тренировка алгоритмических моделей с помощью Python-библиотек pandas, Seaborn, StatsModels и sklearn и построение, оценка и интерпретация моделей AR(p), MA(q) и ARIMA(p, d, q) с использованием библиотеки StatsModels. Описано применение библиотеки PyMC3 для байесового машинного обучения, библиотек NLTK, sklearn (Scikit-learn) и spaCy для назначения отметок финансовым новостям и классифицирования документов, библиотеки Keras для создания, настройки и оценки нейронных сетей прямого распространения, рекуррентных и сверточных сетей. Показано, как применять трансферное обучение к данным спутниковых снимков для предсказания экономической активности и как эффективно использовать подкрепляемое обучение для достижения оптимальных результатов торговли.</p>
]]></content:encoded>
					
		
		
		<post-id xmlns="com-wordpress:feed-additions:1">589168</post-id>	</item>
	</channel>
</rss>
