2024/2025





Применение машинного обучения в макроэкономике
Статус:
Маго-лего
Когда читается:
1 модуль
Онлайн-часы:
20
Охват аудитории:
для своего кампуса
Язык:
русский
Кредиты:
3
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 занятийТесты 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 модуль0.4 * 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