Применение машинного обучения в макроэкономике

2024/2025

Учебный год

RUS

Обучение ведется на русском языке

3

Кредиты

Кто читает:

Отдел сопровождения учебного процесса в магистратуре

Статус:

Курс по выбору

Когда читается:

2-й курс, 1 модуль

Преподаватель

Вакуленко Елена Сергеевна

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

• Основы Python для анализа данных (вводные лекции)
• Продвинутые техники анализа данных, визуализация данных и представление результатов анализа данных
• Глубокий препроцессинг данных
• Машинное обучение в анализе данных
• Знакомство с базовыми моделями машинного обучения (регрессии с регуляризацией)
• Кластеризация данных
• Использование методов машинного обучения в макроэкономическом прогнозировании.
• Обработка естественного языка (NLP)

Элементы контроля

• Экзамен-тест в системе ЛМС
• Тесты по итогам занятий
  Тесты по итогам занятий в LMS
• Подготовка и защита проекта (в командах)
  Самостоятельное написание кода, исследование данных, постановка гипотез, проверки гипотез, проведение анализа данных, визуализация данных, построение моделей машинного обучения

Промежуточная аттестация

• 2024/2025 учебный год 1 модуль
  0.4 * Подготовка и защита проекта (в командах) + 0.2 * Тесты по итогам занятий + 0.4 * Экзамен-тест в системе ЛМС

Список литературы

Рекомендуемая основная литература

• 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

Авторы

• Мамедли Мариам Октаевна
• Искяндяров Руслан Рушанович