Et kurs på avansert nivå med fokus på moderne statistiske og maskinlæringsteknikker for økonomisk forskning. Studentene vil anvende verktøy som ARIMA, logistisk regresjon, PCA, tilfeldige skoger og SHAP på reelle data, og utvikle ferdighetene til å analysere tidsavhengige og høydimensjonale datasett ved hjelp av Python.
Dette kurset bygger på grunnleggende kunnskap om statistikk, inkludert nøkkelbegreper som sannsynlighet, fordelinger, utvalg, hypotesetesting, variansanalyse og regresjonsanalyse. Det er utformet for studenter som allerede har erfaring med å anvende disse grunnleggende teknikkene på økonomiske problemer. I dette kurset på andre nivå går studentene videre til moderne analytiske metoder som brukes i moderne økonomisk forskning og datavitenskap, med fokus på mer komplekse, høydimensjonale og tidsavhengige data.
Kurset er utformet for å gi studentene praktisk erfaring i Python, samtidig som de gir en dypere forståelse av statistisk resonnement og maskinlæring. Studentene vil jobbe med reelle datasett for å bygge tidsseriemodeller (f.eks. ARIMA), utføre logistisk regresjon og generalisert lineær modellering med regularisering (lasso, ridge), anvende dimensjonalitetsreduksjonsteknikker som PCA og faktoranalyse, og eksperimentere med klyngedannelse og veiledede læringsmodeller som tilfeldige skoger og gradientforsterkning.
I stedet for å skille teori fra praksis, følger alle øktene et integrert format der studentene umiddelbart anvender konsepter gjennom koding og gruppeanalyse. Målet er å gi studentene mulighet til å utføre uavhengige, robuste og kommuniserbare økonomiske analyser som oppfyller både akademiske og anvendte forskningsstandarder.
Ved slutten av kurset vil studenten kunne:
• Anvende og tolke tidsseriemodeller for prognoser for økonomiske data
• Bygge og evaluere klassifiseringsmodeller ved hjelp av logistisk regresjon og regularisering
• Gjennomfør dimensjonalitetsreduksjon ved hjelp av PCA og faktoranalyse
• Bruk klynging og uovervåket læring for mønsteroppdagelse
• Implementer og sammenlign overvåkede maskinlæringsalgoritmer (f.eks. tilfeldig skog, SVM)
• Tolke modellresultater og kommunisere funn effektivt
Studentene bør ha fullført et innføringskurs i statistikk, eller ha tilsvarende forkunnskaper. Nødvendige kompetanser inkluderer forståelse av grunnleggende statistiske prinsipper (f.eks. gjennomsnitt, varians), sannsynlighetsteori, fordelinger, utvalg og estimering, hypotesetesting, variansanalyse (ANOVA) og lineær regresjon. Studentene bør også være komfortable med å tolke statistiske resultater og resonnere med økonomiske data fra den virkelige verden. Ingen tidligere programmeringserfaring forutsettes, men en vilje til å lære og bruke Python er avgjørende.
Obligatorisk
• James et al. (2023). En introduksjon til statistisk læring med applikasjoner i Python
• Kenett et al. (2022). Moderne statistikk: En databasert tilnærming med Python
• McClave et al. (2017). Statistikk for næringsliv og økonomi
Anbefalt
• Müller & Guido (2016). Introduksjon til maskinlæring med Python
• Hyndman & Athanasopoulos (2021). Prognoser: Prinsipper og praksis
• Xiao (2022). Kunstig intelligens-programmering med Python
• Forelesninger
• Gruppeoppgaver
• Semesteroppgaveprosjekt
• Python-baserte øvelser
• Ukentlige konsultasjoner
Utskrift av journaler