Машинное обучение в экономике 2023-2024: различия между версиями
Перейти к навигации
Перейти к поиску
Potanin (обсуждение | вклад) |
Potanin (обсуждение | вклад) |
||
| Строка 69: | Строка 69: | ||
=== Рекомендуемая литература === | === Рекомендуемая литература === | ||
1. | 1. '''HE''' глава 29. | ||
== Неделя 6. Эффекты воздействия == | == Неделя 6. Эффекты воздействия == | ||
Версия от 09:18, 5 марта 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. Машинное обучение в эконометрике
Основные материалы
Рекомендуемая литература
1. HE глава 29.
Неделя 6. Эффекты воздействия
Основные материалы
Рекомендуемая литература
1. MLPP главы 16.5 и 28.
Дополнительные материалы
Простое, но достаточно подробное введение в casual inference.
Неделя 7. Нейронные сети
Основные материалы
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
- HE -- Econometrics. Hansen B. Средняя сложность
- MLPP -- Machine learning a probabilistic perspective. Kevin P. Murphy. Высокая сложность