Машинное обучение в экономике

Бакалавриат 2023/2024

Статус: Курс обязательный (Экономика и статистика)

Направление: 38.03.01. Экономика

Кто читает: Департамент прикладной экономики

Где читается: Факультет экономических наук

Когда читается: 3-й курс, 4 модуль

Формат изучения: без онлайн-курса

Охват аудитории: для своего кампуса

Преподаватели: Атласов Александр Александрович, Гергенретер Анастасия Олеговна, Долгих София Игоревна, Погорелова Полина Вячеславовна, Потанин Богдан Станиславович, Столяров Марк Эдуардович

Язык: русский

Кредиты: 3

Контактные часы: 40

Полная версия программы учебной дисциплины Задать вопрос

Аннотация

Курс посвящен использованию методов машинного обучения для прогнозирования экономических показателей и оценивания эффектов воздействия в экономических исследованиях. Эти навыки позволят слушателям курса решать широкий класс задач, таких как построение скоринговых моделей и прогнозирование поведения клиентов, а также оценивание эффективности государственных программ и решений в бизнесе.

Цель освоения дисциплины

Научиться прогнозировать экономические показатели и оценивать эффекты воздействия с помощью методов машинного обучения.

Планируемые результаты обучения

Обучающийся может назвать сильные и слабые стороны изученных методов классификации: байесовский классификатор, наивный байесовский классификатор, байесовские сети, метод ближайших соседей, решающие деревья, логистическая регрессия, метод опорных векторов.
Обучающийся может привести гипотетические примеры использования методов классификации в прикладных и теоретических экономических исследованиях.
Обучающийся может привести гипотетические примеры использования методов регрессионного анализа в прикладных и теоретических экономических исследованиях.
Обучающийся может назвать сильные и слабые стороны изученных методов регрессионного анализа: регрессионные деревья, линейная регрессия.
Обучающийся может объяснить, как используется регуляризация, как она влияет на смещение и дисперсию оценок, а также как подобрать оптимальный штраф.
Обучающийся может записать и проинтерпретировать формулы среднего эффекта воздействия, условного среднего эффекта воздействия и локального среднего эффекта воздействия, а также объяснить различия между ними.
Обучающийся может назвать предпосылки, а также сильные и слабые стороны методов машинного обучения, а также подходов, образованных по результатам синтеза методов машинного обучения и эконометрчиеских методов, используемых для оценивания различных видов эффектов воздействия, изучаемых в курсе.
Обучающийся может объяснить проблему сравнения точности оценок условных средних эффектов воздействия, полученных различными методами.
Обучающийся может мотивировать применение изученных методов оценивания эффектов воздействия для решения определенных экономических задач.
Обучающийся может объяснить алгоритм, а также сильные и слабые стороны бэггинга, в частности, как он сказывается на дисперсии и смещении оценок.
Обучающийся может объяснить алгоритм, а также сильные и слабые стороны градиентного бустинга. Кроме того, обучающийся может объяснить связь градиентного бустинга с градиентным спуском и способы предотвращения переобучения при использовании данного метода.
Обучающийся может объяснить алгоритм случайного леса, а также сильные и слабые стороны данного подхода и его связь с бэггингом.
Обучающийся может сформулировать различия между локальной и глобальной оптимизацией.
Обучающийся может объяснить алгоритм градиентного спуска и генетический алгоритм, а также сформулировать основные различия между ними.
Обучающийся может перечислить и объяснить на примере виды ошибок прогнозов.
Обучающийся может описать сильные и слабые стороны различных способов измерения точности прогнозов.
Обучающийся может объяснить мотивацию разделения выборки на тестовую и обучающую.
Обучающийся может описать алгоритм кросс-валидации, а также объяснить необходимость его применения.
Обучающийся может сформулировать проблему переобучения и привести гипотетических пример, в котором она возникает, а также описать способы борьбы с переобучением.
Обучающийся может построить матрицу путаницы и проинтерпретировать ее.
Обучающийся может сформулировать определение функции потерь и привести несколько примеров, а также объяснить какими соображениями следует руководствоваться при выборе конкретной функции потерь.
Обучающийся может объяснить структуру нейронной сети, посчитать значение функции потерь при фиксированных параметрах нейронной сети, а также описать алгоритм обучения нейронной сети.
Обучающийся может объяснить, что такое функция активации и привести пример такой функции.
Обучающийся может объяснить алгоритм расчета градиента функции потерь по параметрам нейронной сети с помощью алгоритма обратного распространения ошибки.
Обучающийся может объяснить необходимость регуляризации параметров нейронной сети, а также описать используемый для этого метод исключения.