Магистратура
2023/2024
Применение машинного обучения в макроэкономике
Лучший по критерию «Полезность курса для Вашей будущей карьеры»
Лучший по критерию «Полезность курса для расширения кругозора и разностороннего развития»
Статус:
Курс по выбору (Экономический анализ)
Направление:
38.04.01. Экономика
Где читается:
Факультет экономических наук
Когда читается:
2-й курс, 1 модуль
Формат изучения:
с онлайн-курсом
Онлайн-часы:
20
Охват аудитории:
для своего кампуса
Прогр. обучения:
Экономический анализ
Язык:
русский
Кредиты:
3
Контактные часы:
14
Программа дисциплины
Аннотация
Курс направлен на ознакомление с основами современных методов машинного обучения (ML) и примерами их использования в макроэкономических исследованиях. Отдельное внимание будет уделено ключевым аспектам, на которые стоит обратить внимание при построении рассмотренных алгоритмов. В рамках вебинаров, обучающиеся смогут на практике ознакомиться с основами программирования на языке Python и закрепить свои значения в рамках выполнения групповых проектов.
Цель освоения дисциплины
- Ознакомление с основами современных методов машинного обучения (ML) и примерами их использования в макроэкономических исследованиях. Отдельное внимание будет уделено ключевым аспектам, на которые стоит обратить внимание при построении рассмотренных алгоритмов. Курс дает представление об используемых ML методах и примера использования Больших данных в экономических исследованиях и практической работе центральных банков. В рамках вебинаров, обучающиеся смогут на практике ознакомиться с основами программирования на языке Python и закрепить свои значения в рамках выполнения групповых проектов.
Планируемые результаты обучения
- Знать основной терминологии и базовую классификацию экономических исследований с использованием методов машинного обучения, а также примеры альтернативных данных, полученных на основе Big Data.
- понимать отличие задачи регрессии от задачи классификации; знать случаи, когда следует использовать регрессии с регуляризацией, знать основные типы этих регрессий, их отличия и случаи использования.
- Знать основные модели классификации и кластеризации.
- знать основные этапы построения модели дерева решений и случайного леса, понимать их преимущества и недостатки; иметь представление, как эти модели используются в экономических исследованиях.
- знать, как строится модель градиентного бустинга и схожие ансамблевые модели
- знать примеры использования ML и текстового анализа в макроаналитике на примере проектов VTB Capital
Содержание учебной дисциплины
- Альтернативные источники данных: их использование в задачах макроаналитики.
- Знакомство с базовыми моделями машинного обучения (регрессии с регуляризацией)
- Понятие кросс-валидации и метрик качества на примере решения задачи банковского надзора.
- Задачи классификации и кластеризации. Пример предсказания успела стартапа.
- Использование моделей на основе деревьев решений в задачах банковского надзора.
- Использование методов машинного обучения в макроэкономическом прогнозировании.
- Использование текстового анализа в экономике.
Элементы контроля
- Первое (блокирующее) письменное индивидуальное заданиеПервая домашнее задание будет несложное, но блокирующее, чтобы все начали ходить на лекции
- Второе (не блокирующее) письменное индивидуальное заданиеВторое задание чуть более сложное чем первое, но не блокирующее
- Экзамен-тест в системе ЛМСРазрешаю написать один чит шит на а4 с двух сторон
Промежуточная аттестация
- 2023/2024 учебный год 1 модуль0.3 * Второе (не блокирующее) письменное индивидуальное задание + 0.15 * Первое (блокирующее) письменное индивидуальное задание + 0.55 * Экзамен-тест в системе ЛМС
Список литературы
Рекомендуемая основная литература
- Hastie, T., Tibshirani, R., & Friedman, J. H. (2009). The Elements of Statistical Learning : Data Mining, Inference, and Prediction (Vol. Second edition, corrected 7th printing). New York: Springer. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsebk&AN=277008
- The elements of statistical learning : data mining, inference, and prediction, Hastie, T., 2017
Рекомендуемая дополнительная литература
- Python for data analysis : data wrangling with pandas, numPy, and IPhython, Mckinney, W., 2017
- Введение в машинное обучение с помощью Python : руководство для специалистов по работе с данными, Мюллер, А., 2018