Машинное обучение в экономике магистратура 2025-2026 — различия между версиями

Материал из Wiki - Факультет компьютерных наук
Перейти к: навигация, поиск
(→‎Неделя 2. Метод ближайших соседей)
 
(не показаны 2 промежуточные версии этого же участника)
Строка 21: Строка 21:
 
=== Домашнее задание 1 ===  
 
=== Домашнее задание 1 ===  
  
−
'''Дедлайн''': будет объявлен позже
+
'''Дедлайн''': 7 декабря
  
−
Необходимо внести данные группы (до двух человек включительно), в которой будет выполняться второе домашнее задание, в таблицу, ссылка на которую появится позже.
+
Необходимо внести данные группы (до двух человек включительно), в которой будет выполняться второе домашнее задание, в таблицу по [https://docs.google.com/spreadsheets/d/1COFwj46dkR8txD1x_brrw6YGh1-fPLx8adbuAvSQ-b8/edit?usp=sharing ссылке].
  
 
=== Домашнее задание 2 ===  
 
=== Домашнее задание 2 ===  
  
−
'''Дедлайн''': будет объявлен позже
+
'''Дедлайн''': 14 декабря
 +
 
 +
[https://github.com/bogdanpotanin/Machine-Learning/blob/main/%D0%94%D0%BE%D0%BC%D0%B0%D1%88%D0%BD%D0%B5%D0%B5_%D0%B7%D0%B0%D0%B4%D0%B0%D0%BD%D0%B8%D0%B5__%D0%9C%D0%9E__%D0%9C%D0%90%D0%93_2025_2026.pdf Текст задания]
  
 
== Экзамен ==
 
== Экзамен ==
Строка 111: Строка 113:
  
 
1. FOML глава 4.
 
1. FOML глава 4.
 +
 +
== Неделя 4. Логистическая регрессия и метод опорных векторов ==
 +
 +
=== Основные материалы ===
 +
 +
[https://github.com/bogdanpotanin/Machine-Learning/blob/main/%D0%9B%D0%B5%D0%BA%D1%86%D0%B8%D1%8F%204.%20%D0%9B%D0%BE%D0%B3%D0%B8%D1%81%D1%82%D0%B8%D1%87%D0%B5%D1%81%D0%BA%D0%B0%D1%8F%20%D1%80%D0%B5%D0%B3%D1%80%D0%B5%D1%81%D1%81%D0%B8%D1%8F%20%D0%B8%20%D0%BC%D0%B5%D1%82%D0%BE%D0%B4%20%D0%BE%D0%BF%D0%BE%D1%80%D0%BD%D1%8B%D1%85%20%D0%B2%D0%B5%D0%BA%D1%82%D0%BE%D1%80%D0%BE%D0%B2.pdf Слайды лекции]
 +
 +
[https://colab.research.google.com/drive/1vqEDTOwBGkz0mEM4i4SPxHvVRrJfTjmy?usp=sharing Код семинара]
 +
 +
[https://github.com/bogdanpotanin/Machine-Learning/blob/main/%D0%A1%D0%B5%D0%BC%D0%B8%D0%BD%D0%B0%D1%80%204.%20%D0%9B%D0%BE%D0%B3%D0%B8%D1%81%D1%82%D0%B8%D1%87%D0%B5%D1%81%D0%BA%D0%B0%D1%8F%20%D1%80%D0%B5%D0%B3%D1%80%D0%B5%D1%81%D1%81%D0%B8%D1%8F%20%D0%B8%20%D0%B3%D1%80%D0%B0%D0%B4%D0%B8%D0%B5%D0%BD%D1%82%D0%BD%D1%8B%D0%B9%20%D0%B1%D1%83%D1%81%D1%82%D0%B8%D0%BD%D0%B3.pdf Задачи семинара]
 +
 +
=== Рекомендуемая литература ===
 +
 +
1. FOML глава 7.
 +
 +
2. MLPP главы 8 и 14.5.
 +
 +
=== Дополнительные материалы ===
 +
 +
1. [https://projecteuclid.org/journalArticle/Download?urlId=10.1214%2Faos%2F1013203451 Статья, в которой был предложен градиентный бустинг]
  
 
= Список литературы =
 
= Список литературы =
Строка 118: Строка 140:
 
# '''CMLE''' - [https://causalml-book.org Applied Causal Inference Powered by ML and AI. V. Chernozhukov, C. Hansen, N. Kallus, M. Spindler, V. Syrgkanis] '''Средняя сложность'''
 
# '''CMLE''' - [https://causalml-book.org Applied Causal Inference Powered by ML and AI. V. Chernozhukov, C. Hansen, N. Kallus, M. Spindler, V. Syrgkanis] '''Средняя сложность'''
 
# '''MLPP''' - [https://www.amazon.com/Machine-Learning-Probabilistic-Perspective-Computation/dp/0262018020 Machine learning a probabilistic perspective. Kevin P. Murphy.] '''Высокая сложность'''
 
# '''MLPP''' - [https://www.amazon.com/Machine-Learning-Probabilistic-Perspective-Computation/dp/0262018020 Machine learning a probabilistic perspective. Kevin P. Murphy.] '''Высокая сложность'''
 +
 +
== Неделя 5. Машинное обучение в эконометрике ==
 +
 +
=== Основные материалы ===
 +
 +
[https://github.com/bogdanpotanin/Machine-Learning/blob/main/%D0%9B%D0%B5%D0%BA%D1%86%D0%B8%D1%8F%205.%20%D0%9C%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%20%D0%B2%20%D1%8D%D0%BA%D0%BE%D0%BD%D0%BE%D0%BC%D0%B5%D1%82%D1%80%D0%B8%D0%BA%D0%B5.pdf Слайды лекции]
 +
 +
[https://colab.research.google.com/drive/11ss8xdr6B3FPeIExktOZ90GFzGAS7mq5?usp=sharing Код семинара]
 +
 +
[https://github.com/bogdanpotanin/Machine-Learning/blob/main/%D0%A1%D0%B5%D0%BC%D0%B8%D0%BD%D0%B0%D1%80%205.%20%D0%9C%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%20%D0%B2%20%D1%8D%D0%BA%D0%BE%D0%BD%D0%BE%D0%BC%D0%B5%D1%82%D1%80%D0%B8%D0%BA%D0%B5.pdf Задачи семинара]
 +
 +
=== Рекомендуемая литература ===
 +
 +
1. HBE глава 29.
 +
 +
=== Дополнительные материалы ===
 +
 +
1. [https://www.jstatsoft.org/index.php/jss/article/view/v108i03/4527 Двойное машинное обучение в R]
 +
 +
2. [https://arxiv.org/pdf/2301.09397.pdf Двойное машинное обучение в STATA]
 +
 +
3. [https://jmlr.org/papers/volume23/21-0862/21-0862.pdf Двойное машинное обучение в python].
 +
 +
4. [https://www.youtube.com/watch?v=eHOjmyoPCFU&t=1552s Видео лекции о теории двойного машинного обучения от создателя метода]
 +
 +
5. [https://www.youtube.com/watch?v=ErecsyKEq74 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 ===
 +
 +
[https://github.com/bogdanpotanin/Machine-Learning/blob/main/%D0%9B%D0%B5%D0%BA%D1%86%D0%B8%D1%8F%206.%20%D0%AD%D1%84%D1%84%D0%B5%D0%BA%D1%82%D1%8B%20%D0%B2%D0%BE%D0%B7%D0%B4%D0%B5%D0%B9%D1%81%D1%82%D0%B2%D0%B8%D1%8F.pdf Слайды лекции]
 +
 +
[https://colab.research.google.com/drive/1uFqihpgQxbPw61kz3N2icOzqPGeK_H-d?usp=sharing Код семинара]
 +
 +
[https://github.com/bogdanpotanin/Machine-Learning/blob/main/%D0%A1%D0%B5%D0%BC%D0%B8%D0%BD%D0%B0%D1%80%206.%20%D0%AD%D1%84%D1%84%D0%B5%D0%BA%D1%82%D1%8B%20%D0%B2%D0%BE%D0%B7%D0%B4%D0%B5%D0%B9%D1%81%D1%82%D0%B2%D0%B8%D1%8F.pdf Задачи семинара]
 +
 +
=== Рекомендуемая литература ===
 +
 +
1. MLPP главы 16.5 и 28.
 +
 +
2. HBE главы 12.34 и 29.22.
 +
 +
=== Дополнительные материалы ===
 +
 +
[https://mixtape.scunning.com Простое, но достаточно подробное введение в causal inference.]
 +
 +
[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]

Текущая версия на 18:46, 29 ноября 2025

Содержание

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: 7 декабря

Необходимо внести данные группы (до двух человек включительно), в которой будет выполняться второе домашнее задание, в таблицу по ссылке.

Домашнее задание 2

Дедлайн: 14 декабря

Текст задания

Экзамен

Дата: будет объявлена позже

Экзамены прошлых лет

Первый пример экзамена с решениями 2023-2024, бакалавриат

Второй пример экзамена с решениями, 2023-2024, бакалавриат

Экзамен 2023-2024 с решениями, бакалавриат

Экзамен 2024-2025 с решениями, магистратура

Экзамен 2024-2025 с решениями, бакалавриат

Консультации

Консультация перед экзаменом на лекции 2023-2024

Консультация о генерации данных для домашней работы 2023-2024

Неделя 0. Введение в машинное обучение

Основные материалы

Слайды лекции

Неделя 1. Байесовские сети

Основные материалы

Слайды лекции

Код семинара

Задачи семинара

Рекомендуемая литература

1. FOML глава 6.

2. MLPP глава 10.

Неделя 2. Метод ближайших соседей

Основные материалы

Слайды лекции

Код семинара

Задачи семинара

Рекомендуемая литература

1. FOML глава 5.

2. MLPP глава 16.

Неделя 3. Деревья

Основные материалы

Слайды лекции

Код семинара

Задачи семинара

Рекомендуемая литература

1. FOML глава 4.

Неделя 4. Логистическая регрессия и метод опорных векторов

Основные материалы

Слайды лекции

Код семинара

Задачи семинара

Рекомендуемая литература

1. FOML глава 7.

2. MLPP главы 8 и 14.5.

Дополнительные материалы

1. Статья, в которой был предложен градиентный бустинг

Список литературы

  1. FOML - Fundamentals of machine learning for predictive data analytics. John D. Kelleher, Brian Mac Namee, Aoife D'Arcy. Низкая сложность
  2. HBE - Econometrics. Hansen B. Средняя сложность
  3. CMLE - Applied Causal Inference Powered by ML and AI. V. Chernozhukov, C. Hansen, N. Kallus, M. Spindler, V. Syrgkanis Средняя сложность
  4. MLPP - Machine learning a probabilistic perspective. Kevin P. Murphy. Высокая сложность

Неделя 5. Машинное обучение в эконометрике

Основные материалы

Слайды лекции

Код семинара

Задачи семинара

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

Слайды лекции

Код семинара

Задачи семинара

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

Примеры использования машинного обучения для оценивания эффектов воздействия в прикладных исследованиях

Источник — «http://wiki.cs.hse.ru/index.php?title=Машинное_обучение_в_экономике_магистратура_2025-2026&oldid=93967»