Cours de niveau avancé axé sur les techniques modernes de statistique et d'apprentissage automatique au service de la recherche économique. Les étudiants mettront en pratique des outils tels que les modèles ARIMA, la régression logistique, l'analyse en composantes principales (ACP), les forêts aléatoires et SHAP sur des données réelles, et acquerront ainsi les compétences nécessaires pour analyser des ensembles de données dépendants du temps et de grande dimension à l'aide de Python.
Ce cours s'appuie sur des connaissances fondamentales en statistiques, notamment sur des concepts clés tels que les probabilités, les distributions, l'échantillonnage, les tests d'hypothèses, l'analyse de variance et l'analyse de régression. Il s'adresse aux étudiants ayant déjà acquis de l'expérience dans l'application de ces techniques de base à des problèmes économiques. Dans ce cours de deuxième niveau, les apprenants abordent les méthodes analytiques contemporaines utilisées dans la recherche économique moderne et la science des données, en se concentrant sur des données plus complexes, de haute dimension et dépendantes du temps.
Ce cours est conçu pour permettre aux étudiants d’acquérir une expérience pratique de Python tout en approfondissant leur compréhension du raisonnement statistique et de l’apprentissage automatique. Les étudiants travailleront sur des ensembles de données réels pour construire des modèles de séries chronologiques (par exemple, ARIMA), effectuer une régression logistique et une modélisation linéaire généralisée avec régularisation (lasso, ridge), appliquer des techniques de réduction de dimension telles que l’ACP et l’analyse factorielle, et expérimenter des modèles de regroupement et d’apprentissage supervisé tels que les forêts aléatoires et le gradient boosting.
Plutôt que de séparer la théorie de la pratique, toutes les sessions suivent un format intégré dans lequel les étudiants appliquent immédiatement les concepts par le biais du codage et de l’analyse en groupe. L’objectif est de donner aux étudiants les moyens de réaliser des analyses économiques autonomes, rigoureuses et communicables, répondant à la fois aux normes de la recherche académique et de la recherche appliquée.
À l'issue de cette formation, le participant sera capable de :
• Appliquer et interpréter des modèles de séries chronologiques pour prévoir des données économiques
• Construire et évaluer des modèles de classification à l'aide de la régression logistique et de la régularisation
• Réaliser une réduction de dimensionnalité à l'aide de l'ACP et de l'analyse factorielle
• Utiliser des techniques de regroupement et d'apprentissage non supervisé pour la découverte de motifs
• Mettre en œuvre et comparer des algorithmes d'apprentissage automatique supervisé (par exemple, forêt aléatoire, SVM)
• Interpréter les résultats des modèles et communiquer efficacement les conclusions
Les étudiants doivent avoir suivi un cours d’introduction aux statistiques ou posséder des connaissances préalables équivalentes. Les compétences requises comprennent la maîtrise des principes statistiques de base (par exemple, la moyenne, la variance), la théorie des probabilités, les distributions, l’échantillonnage et l’estimation, les tests d’hypothèses, l’analyse de variance (ANOVA) et la régression linéaire. Les étudiants doivent également être à l’aise pour interpréter des résultats statistiques et mener une réflexion à partir de données économiques concrètes. Aucune expérience préalable en programmation n’est requise, mais une volonté d’apprendre et d’utiliser Python est indispensable.
Obligatoire
• James et al. (2023). An Introduction to Statistical Learning with Applications in Python
• Kenett et al. (2022). Modern Statistics: A Computer-Based Approach with Python
• McClave et al. (2017). Statistiques pour les affaires et l'économie
Recommandé
• Müller & Guido (2016). Introduction à l'apprentissage automatique avec Python
• Hyndman & Athanasopoulos (2021). Prévisions : principes et pratiques
• Xiao (2022). Programmation en intelligence artificielle avec Python
• Cours magistraux
• Travaux de groupe
• Projet de mémoire
• Exercices en Python
• Permanences hebdomadaires
Relevé de notes