Избранные темы науки о данных

2024/2025

Учебный год

RUS

Обучение ведется на русском языке

3

Кредиты

Кто читает:

Департамент политологии и международных отношений

Статус:

Курс по выбору

Когда читается:

1-й курс, 4 модуль

Преподаватель

Снарский Ярослав Александрович

Программа дисциплины

Аннотация

В ходе курса будет представлен обзор альтернативных подходов к анализу данных, когда предпосылки линейной регрессии не выполняются. Курс начнется с обзора основных теоретических предположений, которые делаются в рамках линейной регрессии и ситуаций, когда эти предпосылки не выполняются: временные ряды, панельные и пространственные данные. Вторая часть курса вводит слушателей в основы машинного и глубокого обучения. Знание теории вероятности и статистики, линейной алгебры на базовом уровне необходимо для освоения курса. R, статистический язык с открытым исходным кодом, и язык программирования Python будут использоваться на протяжении всего курса.

Цель освоения дисциплины

• Разбираться в продвинутых подходах к статистическому моделированию
• Разбираться в применимости моделей с фиксированными и случайными эффектами
• Использовать алгоритмы машинного обучения в задачах предсказания и классификации

Планируемые результаты обучения

• Владеет понятием машинного обучения. Знает задачи обучения с учителем и без учителя; задачи классификации и регрессии. Владеет понятием разложения bias- variance-noise. Владеет понятием тестовой и обучающей выборки; кросс-валидации.
• Умеет применять глубинное обучение для решения характерных задач
• Диагностировать нарушение предпосылок линейной регрессии.
• Подбирать альтернативные подходы к данным, которые не соответствуют предпосылкам линейной регрессии.
• Овладеть терминологией, используемой в анализе временных рядов
• Тестировать автокорреляцию и применять модели распределенных лагов
• Выбирать модели с фиксированными и случайными эффектами в зависимости от типа исследуемых данных
• Использовать кластеризацию стандартных ошибок
• Овладеть основными подходами к визуализации и моделированию пространственных данных.
• Разбираться в основных подходах к причинно-следственному выводу
• Уметь применять квази-экспериментальные подходы в собственных исследовательских проектах
• Уметь применять метод инструментальных переменных
• Применять градиентный спуск для оптимизации моделей, настраивать шаги обучения и анализировать процесс сходимости.

Содержание учебной дисциплины

• Введение в эконометрику. Нарушение предпосылок линейной регрессии
• Временные ряды: Введение
• Многомерные модели временных рядов
• Панельные данные. Модели с фиксированными и случайными эффектами.
• Робастные стандартные ошибки. Кластеризация стандартных ошибок
• Пространственные данные и GIS
• Введение в Машинное обучение
• Градиентный спуск и алгоритмы оптимизации
• Основы глубокого обучения

Элементы контроля

• Промежуточный тест
  Тест по первой части курса - тестированию предпосылок линейной регрессии, проверки временных моделей и моделей панельных данных.
• Тест по теории машинного обучения
• Активность на семинарах
• Домашние задания

Промежуточная аттестация

• 2024/2025 4th module
  0.2 * Активность на семинарах + 0.2 * Домашние задания + 0.3 * Промежуточный тест + 0.3 * Тест по теории машинного обучения

Список литературы

Рекомендуемая основная литература

• A first course in machine learning, Rogers, S., 2012
• A Tutorial on Machine Learning and Data Science Tools with Python. (2017). Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsbas&AN=edsbas.E5F82B62
• Analysis of integrated and cointegrated time series with R, Pfaff, B., 2008
• Applied econometric time series, Enders, W., 2010
• Applied spatial data analysis with R, Bivand, R., 2008
• Bivand, R., Pebesma, E. J., & Gómez-Rubio, V. (2013). Applied Spatial Data Analysis with R (Vol. 2nd ed). New York, NY: Springer. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsebk&AN=601853
• Buitinck, L., Louppe, G., & Blondel, M. (2013). API design for machine learning software: experiences from the scikit-learn project.
• Integrating deep learning algorithms to overcome challenges in big data analytics, , 2022
• Kleiber, C., & Zeileis, A. (2008). Applied Econometrics with R. New York: Springer. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsebk&AN=275761
• Machine learning : beginner's guide to machine learning, data mining, big data, artificial intelligence and neural networks, Trinity, L., 2019
• Machine learning in action, Harrington, P., 2012
• Marcellino, M. (2018). Applied Econometrics : An Introduction. Bocconi University Press.
• Mostly harmless econometrics: an empiricist's companion, Angrist, J.D., 2009
• Pattern recognition and machine learning, Bishop, C. M., 2006
• Pro Deep Learning with TensorFlow 2.0 : a mathematical approach to advanced artificial intelligence in Python, Pattanayak, S., 2023
• Rogers, S., & Girolami, M. (2016). A First Course in Machine Learning (Vol. 2nd ed). Milton: Chapman and Hall/CRC. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsebk&AN=1399490
• Time series algorithms recipes : implement machine learning and deep learning techniques with Python, , 2023

Рекомендуемая дополнительная литература

• Aguirregabiria, V., & Carro, J. M. (2021). Identification of Average Marginal Effects in Fixed Effects Dynamic Discrete Choice Models.
• Fixed effects regression models, Allison, P. D., 2009

Авторы

• Снарский Ярослав Александрович