Бакалавриат
2026/2027
Машинное обучение в экономике
Статус:
Курс обязательный (Экономика и статистика)
Кто читает:
Департамент прикладной экономики
Где читается:
Факультет экономических наук
Когда читается:
3-й курс, 3, 4 модуль
Охват аудитории:
для своего кампуса
Язык:
русский
Кредиты:
6
Контактные часы:
72
Программа дисциплины
Аннотация
Курс формирует базовое понимание современного машинного обучения и навыки его применения для решения прикладных задач анализа данных. Акцент сделан на корректной постановке задач, оценке и интерпретации результатов, а также на соотнесении подходов машинного обучения с эконометрическим анализом. Освоение курса создаёт основу для дальнейшего изучения продвинутых методов анализа данных, причинного вывода и прикладных исследований. Предполагается знание основ теории вероятностей, математической статистики, линейной алгебры и базовое знакомство с языком Python.
Цель освоения дисциплины
- Сформировать у студентов системное понимание методов машинного обучения и навыки их обоснованного применения к задачам содержательного анализа и прогнозирования: от подготовки данных и выбора модели до оценки качества, интерпретации результатов и соотнесения предсказательных моделей с эконометрическими и причинными подходами.
Планируемые результаты обучения
- Формулировать разграничения между эконометрическим подходом и подходом машинного обучения
- Иллюстрировать закономерности в данных, распознавать выбросы и пропущенные значения, преобразовывать данные для дальнейшего использования в моделях машинного обучения
- Реализовывать и подбирать под задачу методы численной оптимизации
- Описывать методологию обучения с учителем, реализовывать кросс-валидацию для моделей машинного обучения
- Определять подходящую под данные модель для задачи регрессии, реализовывать модель и интерпретировать ее результаты
- Определять подходящую под данные модель для задачи классификации, реализовывать модель и интерпретировать ее результаты, использовать подходящие под задачу метрики качества
- Интерпретировать black-box модели машинного обучения, формулировать содержательные выводы на основе этих моделей
Содержание учебной дисциплины
- Тема 1. Введение: задача ML и её связь с эконометрикой
- Тема 2. Подготовка данных
- Тема 3. Численная оптимизация
- Тема 4. Методология обучения с учителем
- Тема 5. Регрессия: линейные модели, регуляризация, деревья и бэггинг, бустинг
- Тема 6. Классификация: метрики качества, логистическая регрессия, нелинейные модели
- Тема 7. Интерпретация моделей: глобальные методы, локальные методы
- Тема 8. Обучение без учителя: кластеризация, снижение размерности
- Тема 9. Причинный ML и связь с эконометрикой
- Тема 10. Введение в глубинное обучение
- Тема 11. Дополнительные главы (при наличии времени)
Элементы контроля
- Активность на семинарах
- Соревнование по прогнозированию
- Проект
- Контрольная работа
- Экзамен
Промежуточная аттестация
- 2026/2027 4th module0.2 * Соревнование по прогнозированию + 0.2 * Проект + 0.25 * Экзамен + 0.1 * Активность на семинарах + 0.25 * Контрольная работа
