• A
  • A
  • A
  • АБB
  • АБB
  • АБB
  • А
  • А
  • А
  • А
  • А
Обычная версия сайта
Магистратура 2024/2025

Машинное обучение для экономистов

Статус: Курс по выбору (Экономический анализ)
Направление: 38.04.01. Экономика
Когда читается: 1-й курс, 4 модуль
Формат изучения: без онлайн-курса
Охват аудитории: для своего кампуса
Прогр. обучения: Экономический анализ
Язык: русский
Кредиты: 3

Программа дисциплины

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

Цель освоения дисциплины

  • Научиться прогнозировать экономические показатели и оценивать эффекты воздействия с помощью методов машинного обучения.
Планируемые результаты 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.
Содержание учебной дисциплины

Содержание учебной дисциплины

  • Методы классификации в машинном обучении
  • Методы регрессионного анализа в машинном обучении
  • Машинное обучение в эконометрике
  • Ансамбли в машинном обучении
  • Численная оптимизация
  • Качество прогнозов и выбор модели
  • Глубинное обучение
Элементы контроля

Элементы контроля

  • неблокирующий Экзамен
  • неблокирующий Домашнее задание 1
  • неблокирующий Домашнее задание 2
Промежуточная аттестация

Промежуточная аттестация

  • 2024/2025 4th module
    0.01 * Домашнее задание 1 + 0.29 * Домашнее задание 2 + 0.7 * Экзамен
Список литературы

Список литературы

Рекомендуемая основная литература

  • Machine learning : a probabilistic perspective, Murphy, K. P., 2012

Рекомендуемая дополнительная литература

  • Pattern recognition and machine learning, Bishop, C. M., 2006

Авторы

  • Потанин Богдан Станиславович
  • Погорелова Полина Вячеславовна
  • Долгих София Игоревна