Эта статья предназначена для экономистов, заинтересованных в использовании машинного обучения (МО) для своих исследований и приложений, а также для специалистов по данным, которые хотят применять свои инструменты для экономического анализа. Фон: Недавно я посетил сессию повышения квалификации Американской экономической ассоциации на тему Машинное обучение и большие данные , которую проводили Мелисса Делл (Гарвардский университет) и Мэттью Хардинг (Калифорнийский университет в..

"Экономический рост может быть ограничен не тем, что мы делаем хорошо, а тем, что важно, но трудно улучшить". — Болезнь Баумоля (1967 г.) Машинное обучение (ML) в основном управляется тремя фундаментальными элементами: алгоритмами, данными и вычислениями. Однако не все эти факторы развиваются с одинаковой скоростью, и некоторые из них улучшить сложнее, чем другие. В этой статье я утверждаю, что это несоответствие служит препятствием для роста и широкого распространения приложений..

Причинное машинное обучение для науки о данных: глубокое обучение с инструментальными переменными Сочетание науки о данных и эконометрики для введения в структуру DeepIV, включая полное руководство по коду Python. Исторически сложилось так, что и экономисты, и философы были озабочены извлечением понимания причины и следствия из эмпирических данных. Дэвид Хьюм, экономист и философ, известен тем, что исследует причинность как эпистемологическую загадку, так и практическую проблему в..