Машинное обучение в экономических исследованиях 2024-2025 — различия между версиями
Potanin (обсуждение | вклад) (→Домашнее задание) |
Potanin (обсуждение | вклад) (→Неделя 1. Байесовские сети) |
||
| (не показаны 4 промежуточные версии этого же участника) | |||
| Строка 16: | Строка 16: | ||
'''Оценка''' = 0.01 * ДЗ1 + 0.29 * ДЗ2 + 0.7 * Экзамен | '''Оценка''' = 0.01 * ДЗ1 + 0.29 * ДЗ2 + 0.7 * Экзамен | ||
| − | |||
| − | |||
== Домашнее задание == | == Домашнее задание == | ||
| Строка 33: | Строка 31: | ||
Информация об оформлении и формате сдачи домашней работы указана в тексте задания. | Информация об оформлении и формате сдачи домашней работы указана в тексте задания. | ||
| − | '''Консультация о генерации данных''': | + | '''Консультация о генерации данных 2023-2024''': |
* [https://colab.research.google.com/drive/15l0cILQJZdi3RXKScGG8K0jjbLtbcS5G?usp=sharing Код консультации] | * [https://colab.research.google.com/drive/15l0cILQJZdi3RXKScGG8K0jjbLtbcS5G?usp=sharing Код консультации] | ||
| Строка 41: | Строка 39: | ||
== Экзамен == | == Экзамен == | ||
| − | [https://github.com/bogdanpotanin/Machine-Learning/blob/main/%D0%92%D1%81%D1%82%D1%83%D0%BF%D0%B8%D1%82%D0%B5%D0%BB%D1%8C%D0%BD%D0%BE%D0%B5%20%D0%B7%D0%B0%D0%B4%D0%B0%D0%BD%D0%B8%D0%B5.%20%D0%9C%D0%9E.%202023-2024.pdf Пример экзамена с решением] | + | === Экзамены прошлых лет === |
| + | |||
| + | [https://github.com/bogdanpotanin/Machine-Learning/blob/main/%D0%92%D1%81%D1%82%D1%83%D0%BF%D0%B8%D1%82%D0%B5%D0%BB%D1%8C%D0%BD%D0%BE%D0%B5%20%D0%B7%D0%B0%D0%B4%D0%B0%D0%BD%D0%B8%D0%B5.%20%D0%9C%D0%9E.%202023-2024.pdf Пример экзамена с решением 2023-2024] | ||
[https://github.com/bogdanpotanin/Machine-Learning/blob/main/%D0%AD%D0%BA%D0%B7%D0%B0%D0%BC%D0%B5%D0%BD.%20%D0%9C%D0%9E.%202023-2024.pdf Экзамен 2023-2024 с решениями] | [https://github.com/bogdanpotanin/Machine-Learning/blob/main/%D0%AD%D0%BA%D0%B7%D0%B0%D0%BC%D0%B5%D0%BD.%20%D0%9C%D0%9E.%202023-2024.pdf Экзамен 2023-2024 с решениями] | ||
| + | |||
| + | == Неделя 0. Введение в машинное обучение == | ||
| + | |||
| + | [https://github.com/bogdanpotanin/Microeconometrics-Master-2022/blob/main/%D0%9B%D0%B5%D0%BA%D1%86%D0%B8%D1%8F%200.%20%D0%92%D0%B2%D0%B5%D0%B4%D0%B5%D0%BD%D0%B8%D0%B5%20%D0%B2%20%D0%BC%D0%B0%D1%88%D0%B8%D0%BD%D0%BD%D0%BE%D0%B5%20%D0%BE%D0%B1%D1%83%D1%87%D0%B5%D0%BD%D0%B8%D0%B5.pdf Слайды лекции] | ||
== Неделя 1. Байесовские сети == | == Неделя 1. Байесовские сети == | ||
| Строка 148: | Строка 152: | ||
[https://www.sciencedirect.com/science/article/pii/S0304407606001023 Теория оценивания LATE с использованием дополнительных регрессоров] | [https://www.sciencedirect.com/science/article/pii/S0304407606001023 Теория оценивания LATE с использованием дополнительных регрессоров] | ||
| + | |||
| + | [https://academic.oup.com/ectj/article/27/2/213/7602388?login=false Примеры использования машинного обучения для оценивания эффектов воздействия в прикладных исследованиях] | ||
== Неделя 7. Нейронные сети == | == Неделя 7. Нейронные сети == | ||
Текущая версия на 10:32, 4 ноября 2024
Содержание
- 1 Материалы для повторения
- 2 Информация о курсе
- 3 Домашнее задание
- 4 Экзамен
- 5 Неделя 0. Введение в машинное обучение
- 6 Неделя 1. Байесовские сети
- 7 Неделя 2. Метод ближайших соседей
- 8 Неделя 3. Деревья
- 9 Неделя 4. Логистическая регрессия и метод опорных векторов
- 10 Неделя 5. Машинное обучение в эконометрике
- 11 Неделя 6. Эффекты воздействия
- 12 Неделя 7. Нейронные сети
- 13 Неделя 8. Рекуррентные нейронные сети
- 14 Неделя 9. Большие языковые модели
- 15 Неделя 10. Повторение
- 16 Список литературы
Материалы для повторения
Викистранички курсов по теории вероятностей и математической статистике:
Видео про применение python в математической статистике:
Информация о курсе
Оценка = 0.01 * ДЗ1 + 0.29 * ДЗ2 + 0.7 * Экзамен
Домашнее задание
Домашнее задание 1
Дедлайн: 1-е декабря
Необходимо внести данные группы (до трех человек включительно), в которой будет выполняться второе домашнее задание, в таблицу.
Домашнее задание 2
Дедлайн: 15-е декабря
Информация об оформлении и формате сдачи домашней работы указана в тексте задания.
Консультация о генерации данных 2023-2024:
Экзамен
Экзамены прошлых лет
Пример экзамена с решением 2023-2024
Неделя 0. Введение в машинное обучение
Неделя 1. Байесовские сети
Основные материалы
Рекомендуемая литература
1. FOML глава 6.
2. MLPP глава 10.
Неделя 2. Метод ближайших соседей
Основные материалы
Рекомендуемая литература
1. FOML глава 5.
2. MLPP глава 16.
Неделя 3. Деревья
Основные материалы
Рекомендуемая литература
1. FOML глава 4.
Неделя 4. Логистическая регрессия и метод опорных векторов
Основные материалы
Рекомендуемая литература
1. FOML глава 7.
2. MLPP главы 8 и 14.5.
Дополнительные материалы
1. Статья, в которой был предложен градиентный бустинг
Неделя 5. Машинное обучение в эконометрике
Основные материалы
Рекомендуемая литература
1. HBE глава 29.
Дополнительные материалы
1. Двойное машинное обучение в R
2. Двойное машинное обучение в STATA
3. Двойное машинное обучение в python.
4. Видео лекции о теории двойного машинного обучения от создателя метода
5. Видео лекции о программной реализации двойного машинного обучения от создателей пакета
Примечание: пакеты в R и python разработаны одними и теми же людьми, поэтому практически идентичны. Однако, в статье про пакет в R все расписано гораздо подробней и понятней, с большим числом наглядных примеров и наиболее важными теоретическими выкладками.
Неделя 6. Эффекты воздействия
Основные материалы
Рекомендуемая литература
1. MLPP главы 16.5 и 28.
2. HBE главы 12.34 и 29.22.
Дополнительные материалы
Простое, но достаточно подробное введение в causal inference.
Теория оценивания LATE с использованием дополнительных регрессоров
Неделя 7. Нейронные сети
Основные материалы
Рекомендуемая литература
1. MLPP главы 16.5 и 28.
Дополнительные материалы
1. Статья, в которой был предложен метод исключения (dropout).
Неделя 8. Рекуррентные нейронные сети
Основные материалы
Неделя 9. Большие языковые модели
Основные материалы
Неделя 10. Повторение
Консультация на лекции
Консультация на семинаре
Список литературы
- FOML -- Fundamentals of machine learning for predictive data analytics. John D. Kelleher, Brian Mac Namee, Aoife D'Arcy. Низкая сложность
- HBE -- Econometrics. Hansen B. Средняя сложность
- MLPP -- Machine learning a probabilistic perspective. Kevin P. Murphy. Высокая сложность
