<?xml version="1.0" encoding="utf-8" standalone="yes"?><rss version="2.0" xmlns:atom="http://www.w3.org/2005/Atom"><channel><title>Эмбеддинги on AI-Uchi — Всё об искусственном интеллекте</title><link>/tags/%D1%8D%D0%BC%D0%B1%D0%B5%D0%B4%D0%B4%D0%B8%D0%BD%D0%B3%D0%B8/</link><description>Recent content in Эмбеддинги on AI-Uchi — Всё об искусственном интеллекте</description><generator>Hugo</generator><language>ru</language><lastBuildDate>Mon, 29 Jun 2026 15:30:00 +0300</lastBuildDate><atom:link href="/tags/%D1%8D%D0%BC%D0%B1%D0%B5%D0%B4%D0%B4%D0%B8%D0%BD%D0%B3%D0%B8/index.xml" rel="self" type="application/rss+xml"/><item><title>Предсказание цен акций с RNN: часть 2</title><link>/articles/predskazanie-cen-akcij-rnn-chast-2/</link><pubDate>Mon, 29 Jun 2026 15:30:00 +0300</pubDate><guid>/articles/predskazanie-cen-akcij-rnn-chast-2/</guid><description>&lt;h2 id="что-было-в-первой-части--и-почему-этого-мало"&gt;Что было в первой части — и почему этого мало&lt;/h2&gt;
&lt;p&gt;В &lt;a href="https://lilianweng.github.io/posts/2017-07-08-stock-rnn-part-1/"&gt;первом туториале&lt;/a&gt; Lilian Weng построила рекуррентную нейросеть на основе LSTM-ячеек для предсказания цен одной акции. Модель работала: она обучалась на скользящих окнах нормализованных цен и выдавала прогноз на несколько дней вперёд. Но у неё был существенный изъян — она понятия не имела, &lt;strong&gt;какую именно акцию&lt;/strong&gt; предсказывает.&lt;/p&gt;
&lt;p&gt;Представьте, что один специалист одновременно ведёт 100 клиентов, но не помнит, кто есть кто. Каждый разговор начинается с нуля. Именно так работала модель из Part 1 применительно к разным тикерам: никакой памяти о личности «клиента».&lt;/p&gt;</description></item></channel></rss>