Магистратура 2025/2026

Применение машинного обучения в макроэкономике

Статус: Курс по выбору (Экономический анализ)

Кто читает: Отдел сопровождения учебного процесса в магистратуре

Когда читается: 2-й курс, 1 модуль

Онлайн-часы: 20

Охват аудитории: для своего кампуса

Преподаватели: Искяндяров Руслан Рушанович

Язык: русский

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.
• Основы Python для анализа данных (вводные лекции)
• Продвинутые техники анализа данных, визуализация данных и представление результатов анализа данных
• Глубокий препроцессинг данных
• 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.
• Машинное обучение в анализе данных
• Регрессионный анализ
• Кластеризация данных
• Обработка естественного языка (NLP)

Элементы контроля

• Экзамен-тест в системе ЛМС
• Тесты по итогам занятий
• 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

• 2025/2026 1st module
  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

• 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

Авторы

• Мамедли Мариам Октаевна
• Вакуленко Елена Сергеевна
• Искяндяров Руслан Рушанович