Metody ilościowe: od modeli klasycznych do uczenia maszynowego w zastosowaniach praktycznych 2400-PLSM159B
Na seminarium dokonamy przeglądu różnych metod ilościowych i ich zastosowań praktycznych głównie w finansach i ubezpieczeniach, choć również w naukach o zdrowiu i zastosowaniach przemysłowych. Głównie będziemy zajmować się modelami danych ciągłych choć i istnieje możliwość dyskusji modeli klasyfikacyjnych. Przede wszystkim będziemy omawiać problemy tzw. uczenia nadzorowanego. Podstawowym celem przedmiotu będzie zapoznanie studentów z najnowszymi metodami oraz podejściami wykorzystywanymi praktycznie w wielu dziedzinach nauki i przemysłu. Ma to na celu pomóc w wyborze odpowiedniego tematu pracy dla uczestnika seminarium. Przegląd literatury oraz metod ma również pomóc uczestnikowi seminarium w wyborze zagadnień oraz metod które uwzględniają jego zainteresowanie zawodowe i umiejętności. Studenci poznają najnowsze techniki oraz nauczą się jak tworzyć własne modele, testować je i osadzać w otoczeniu biznesowym i przemysłowym.
Główne zagadnienia teoretyczne omawiane w trakcie seminarium to:
1. Dane i ich znaczenie.
2. Wybór odpowiedniego modelu
3. Modele klasyczne a modele uczenie maszynowego
4. Testowanie modeli
5. Modele regresji i ich zastosowaniach
6. Modele proporcjonalnych hazardów
7. Modele szeregów czasowych i ich zastosowania
8. Modele uczenia maszynowego, przykłady zastosowań
9. Przykłady zastosowań modeli Deep Learning
10. Tematy interesujące dla uczestników seminarium
Lista rozważanych modeli podczas zajęć może się zmieniać.
UWAGA: istnieje opcja, żeby omawiać inny model, który uczestnicy kursu uznają za użyteczny lub ciekawy
Koordynatorzy przedmiotu
Efekty kształcenia
Efekty uczenia się:
A)
Wiedza: Student pozna obszerny zakres metod statystycznych i ich zastosowań w wielu obszarach nauki i przemysłu. Będzie w stanie wykorzystać i zrozumieć bądź napisać kod programu do analizy w wybranym przez siebie środowisku programistycznym.
B) Umiejętności: Zainteresowany i ambitny student ma szansę zdobyć umiejętność oceny przydatności i wyboru odpowiedniej metody w wybranych zagadnieniach.
C) Kompetencje społeczne
Student ma świadomość ciągłego uzupełniania i doskonalenia wiedzy i umiejętności.
1. Student potrafi komunikatywnie zaprezentować wybrane podejście do rozwiązania problemu ekonometrycznego w postaci tabel i wykresów.
2. Student jest przygotowany do samodzielnej pracy nad poszerzaniem wiedzy
3. Student umie ocenić możliwość wykorzystania wybranego podejścia do rozwiązania problemu.
Kryteria oceniania
Przygotowanie referatu omawiającego wybrany model uczenia maszynowego oraz jego konkretne zastosowanie na przykładzie danych empirycznych.
Literatura
1. Kevin Murphy Machine Learning: A Probabilistic Perspective, 2012
2. Hamilton, J. D., Time Series Analysis, Princeton University Press, 1994
3. Vance Martin, Stan Hurn i David Harris, Econometric Modelling with Time Series. Specification, Estimation and Testing, Cambridge University Press, 2013
3. Christopher Baum, An Introduction to Modern Econometrics Using Stata, Stata Press, 2006
4. Dirk Moore, Applied Survival Analysis Using R, 2016
Więcej informacji
Dodatkowe informacje (np. o kalendarzu rejestracji, prowadzących zajęcia, lokalizacji i terminach zajęć) mogą być dostępne w serwisie USOSweb: