Машинное обучение в экономических исследованиях 2024-2025: различия между версиями
Potanin (обсуждение | вклад) |
Potanin (обсуждение | вклад) |
||
| (не показано 6 промежуточных версий 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 46: | Строка 44: | ||
[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/Machine-Learning/blob/main/Лекция%200.%20Введение%20в%20машинное%20обучение.pdf Слайды лекции] | |||
== Неделя 1. Байесовские сети == | == Неделя 1. Байесовские сети == | ||
| Строка 150: | 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 == | ||
| Строка 198: | Строка 202: | ||
= Список литературы = | = Список литературы = | ||
# '''FOML''' -- Fundamentals of machine learning for predictive data analytics. John D. Kelleher, Brian Mac Namee, Aoife D'Arcy. '''Низкая сложность''' | # '''FOML''' -- [https://www.amazon.com/Fundamentals-Machine-Learning-Predictive-Analytics/dp/0262029448 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''' | # '''HBE''' -- [https://www.amazon.com/Fundamentals-Machine-Learning-Predictive-Analytics/dp/0262029448 Econometrics. Hansen B.] '''Средняя сложность''' | ||
# '''MLPP''' -- Machine learning a probabilistic perspective. Kevin P. Murphy. '''Высокая сложность''' | # '''CMLE''' -- [https://causalml-book.org/assets/chapters/CausalML_book.pdf 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''' | |||
Текущая версия от 13:49, 7 ноября 2024
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
- CMLE -- Applied Causal Inference Powered by ML and AI. V. Chernozhukov, C. Hansen, N. Kallus, M. Spindler, V. Syrgkanis Средняя сложность
- MLPP -- Machine learning a probabilistic perspective. Kevin P. Murphy. Высокая сложность