Машинное обучение в экономике 2023-2024: различия между версиями
Перейти к навигации
Перейти к поиску
Potanin (обсуждение | вклад) |
Potanin (обсуждение | вклад) |
||
| Строка 61: | Строка 61: | ||
2. MLPP главы 8 и 14.5. | 2. MLPP главы 8 и 14.5. | ||
== Неделя 5. | == Неделя 5. Эффекты воздействия == | ||
=== Основные материалы === | === Основные материалы === | ||
Версия от 08:59, 6 февраля 2024
Дисклеймер
Материалы данной страницы являются предварительными и могут содержать существенные неточности
Неделя 1. Байесовский классификатор и его модификации
Основные материалы
Рекомендуемая литература
1. FOML глава 6.
2. MLPP глава 10.
Неделя 2. Метод ближайших соседей
Основные материалы
Рекомендуемая литература
1. FOML глава 4.
2. MLPP глава 16.
Неделя 3. Деревья
Основные материалы
Рекомендуемая литература
1. FOML глава 5.
Неделя 4. Логистическая регрессия и метод опорных векторов
Основные материалы
Рекомендуемая литература
1. FOML глава 7.
2. MLPP главы 8 и 14.5.
Неделя 5. Эффекты воздействия
Основные материалы
Рекомендуемая литература
1. MLPP главы 16.5 и 28.
Неделя 6. Градиентный бустинг и что-то еще
Неделя 7. Нейронные сети
Основные материалы
Рекомендуемая литература
1. MLPP главы 16.5 и 28.
Неделя 8. Что-то про связь эконометрики и машинного обучения
Список литературы
- FOML -- Fundamentals of machine learning for predicting data analytics. John D. Kelleher, Brian Mac Namee, Aoife D'Arcy. Низкая сложность
- MLPP -- Machine learning a probabilistic perspective. Kevin P. Murphy. Высокая сложность