Machine learning in economics and business

2026/2027

Academic Year

RUS

Instruction in Russian

6

ECTS credits

Delivered at:

Department of Economic Theory and Econometrics (Faculty of Economics)

Course type:

Elective course

When:

2 year, 1, 2 module

Программа дисциплины

Аннотация

Курс посвящён классическому машинному обучению и построению корректных прикладных ML-экспериментов на табличных данных. Рассматриваются постановка задачи, линейные модели и оптимизация, вероятностная классификация и выбор метрик, регуляризация и кросс-валидация, подготовка данных и построение pipeline, решающие деревья, случайный лес и градиентный бустинг, подбор гиперпараметров и диагностика моделей. Основной акцент сделан на осмысленном выборе модели и процедуры оценивания, предотвращении утечек данных, связи вероятностного прогноза с принятием решения и анализе ограничений полученного результата.

Цель освоения дисциплины

• Сформировать способность самостоятельно проектировать и проводить полный ML-эксперимент: от постановки прикладной задачи и подготовки данных до выбора, настройки, оценки и диагностики модели, интерпретации результата и определения границ его применимости.

Планируемые результаты обучения

• Умеет формулировать задачу машинного обучения и строить базовый корректный эксперимент для оценки качества модели.
• Может самостоятельно освоить новое направление машинного обучения, провести корректный вычислительный эксперимент и представить результаты и ограничения работы.
• Умеет объяснять обучение модели через цепочку «представление → функция потерь → оптимизация → обученные параметры» и применять её к линейной регрессии.
• Умеет оценивать вероятностный классификатор и выбирать метрику и порог решения с учётом прикладной задачи и характера ошибок.
• Умеет строить воспроизводимый pipeline обработки данных и выбора модели с корректной кросс-валидацией и без утечек информации.
• Умеет объяснять различия между одиночным деревом и Random Forest и анализировать влияние ансамблирования на устойчивость и качество модели.
• Умеет объяснять механизм градиентного бустинга и проводить контролируемое сравнение современных моделей для табличных данных.
• Умеет проводить полный ML-эксперимент: выбирать и настраивать модель, оценивать её на корректной схеме валидации, диагностировать ошибки и формулировать ограничения результата.

Содержание учебной дисциплины

• Осмысленный ML-эксперимент
• Линейные модели, функции потерь и оптимизация
• Классификация: вероятность, метрики и принятие решения
• Регуляризация, валидация, Pipeline и утечки данных
• Решающие деревья и Random Forest
• Градиентный бустинг и современное машинное обучение на табличных данных
• Подбор гиперпараметров, диагностика и сквозной ML-эксперимент
• Итоговые мини-проекты по направлениям машинного обучения

Элементы контроля

• Домашние работы
• Активность
• Проект

Промежуточная аттестация

• 2026/2027 2nd module
  0.2 * Активность + 0.4 * Проект + 0.4 * Домашние работы

Список литературы

Рекомендуемая основная литература

• Платонов, А. В.  Машинное обучение : учебное пособие для вузов / А. В. Платонов. — 2-е изд. — Москва : Издательство Юрайт, 2026. — 89 с. — (Высшее образование). — ISBN 978-5-534-20732-3. — Текст : электронный // Образовательная платформа Юрайт [сайт]. — URL: https://urait.ru/bcode/589132 (дата обращения: 02.07.2026).

Рекомендуемая дополнительная литература

• An Introduction to Statistical Learning, with Applications in Python, Gareth James, Daniela Witten, Trevor Hastie, Robert Tibshirani, Jonathan Taylor, Springer Nature Switzerland AG 2023, 978-3-031-38747-0, published: 30 June 2023

Авторы

• Зиняков Юрий Викторович