Просмотр кода страницы Машинное обучение в экономике 2023-2024

=== Дисклеймер ===

Материалы данной страницы являются предварительными и могут содержать существенные неточности

== Материалы для повторения ==

Викистранички курсов по теории вероятностей и математической статистике:

* [http://wiki.cs.hse.ru/Теория_вероятностей_и_статистика,_МИРЭК,_2023-2024 МИРЭК]
* [http://wiki.cs.hse.ru/Econ_probability_2023-24 Экономика]

Видео про применение python в математической статистике:

* [https://youtu.be/F7dJmORBXzM Часть 1]
* [https://youtu.be/VKHr1Po9ztI Часть 2]
* [https://youtu.be/3ZGq472-XbE Часть 3]
* [https://colab.research.google.com/drive/1OYq5b7d-ruOGppAmUdbQW-qQJ4XDmFXY?hl=ru#scrollTo=xR1xnEccTqXm Код к видео]

== Неделя 1. Байесовский классификатор и его модификации ==

=== Основные материалы ===

[https://github.com/bogdanpotanin/Machine-Learning/blob/main/1.%20%D0%91%D0%B0%D0%B9%D0%B5%D1%81%D0%BE%D0%B2%D1%81%D0%BA%D0%B8%D0%B5%20%D1%81%D0%B5%D1%82%D0%B8.pdf Слайды лекции]

[https://colab.research.google.com/drive/1Iq1zomLp2kZ1kAffPeFyzHFtdvhbuTR2?usp=sharing Код семинара]

[https://github.com/bogdanpotanin/Machine-Learning/blob/main/%D0%94%D0%B5%D1%84%D0%BE%D0%BB%D1%82%D1%8B.xlsx Данные]

=== Рекомендуемая литература ===

1. FOML глава 6.

2. MLPP глава 10.

== Неделя 2. Метод ближайших соседей ==

=== Основные материалы ===

[https://github.com/bogdanpotanin/Machine-Learning/blob/main/2.%20%D0%9C%D0%B5%D1%82%D0%BE%D0%B4%20%D0%B1%D0%BB%D0%B8%D0%B6%D0%B0%D0%B9%D1%88%D0%B8%D1%85%20%D1%81%D0%BE%D1%81%D0%B5%D0%B4%D0%B5%D0%B9.pdf Слайды лекции]

[https://github.com/bogdanpotanin/Machine-Learning/blob/main/2.%20%D0%A0%D0%B5%D1%88%D0%B0%D1%8E%D1%89%D0%B8%D0%B5%20%D0%B4%D0%B5%D1%80%D0%B5%D0%B2%D1%8C%D1%8F.py Код семинара]

[https://github.com/bogdanpotanin/Machine-Learning/blob/main/%D0%9A%D0%BB%D0%B8%D0%B5%D0%BD%D1%82%D1%8B.xlsx Данные]

=== Рекомендуемая литература ===

1. FOML глава 4.

2. MLPP глава 16.

== Неделя 3. Деревья ==

=== Основные материалы ===

[https://github.com/bogdanpotanin/Machine-Learning/blob/main/3.%20%D0%94%D0%B5%D1%80%D0%B5%D0%B2%D1%8C%D1%8F.pdf Слайды лекции]

[https://github.com/bogdanpotanin/Machine-Learning/blob/main/3.%20%D0%9C%D0%B5%D1%82%D0%BE%D0%B4%20%D0%B1%D0%BB%D0%B8%D0%B6%D0%B0%D0%B9%D1%88%D0%B8%D1%85%20%D1%81%D0%BE%D1%81%D0%B5%D0%B4%D0%B5%D0%B9.py Код семинара]

[https://github.com/bogdanpotanin/Machine-Learning/blob/main/%D0%9F%D1%80%D0%BE%D0%B4%D0%B0%D0%B6%D0%B8.xlsx Данные]

=== Рекомендуемая литература ===

1. FOML глава 5.

== Неделя 4. Логистическая регрессия и метод опорных векторов ==

=== Основные материалы ===

[https://github.com/bogdanpotanin/Machine-Learning/blob/main/4.%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]

=== Рекомендуемая литература ===

1. FOML глава 7.

2. MLPP главы 8 и 14.5.

== Неделя 5. Машинное обучение в эконометрике ==

=== Основные материалы ===

[https://github.com/bogdanpotanin/Machine-Learning/blob/main/5.%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]

=== 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]

=== 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 casual inference.]

[https://www.sciencedirect.com/science/article/pii/S0304407606001023 Теория оценивания LATE с использованием дополнительных регрессоров]

== Неделя 7. Нейронные сети ==

=== Основные материалы ===

[https://github.com/bogdanpotanin/Machine-Learning/blob/main/%D0%9B%D0%B5%D0%BA%D1%86%D0%B8%D1%8F_5__%D0%9D%D0%B5%D0%B9%D1%80%D0%BE%D0%BD%D0%BD%D1%8B%D0%B5_%D1%81%D0%B5%D1%82%D0%B8.pdf Слайды лекции]

=== Рекомендуемая литература ===

1. MLPP главы 16.5 и 28.

== Неделя 8. Большие языковые модели ==

= Список литературы =

# '''FOML''' -- Fundamentals of machine learning for predicting 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'''