Les fondements des méthodes de machine learning, leur utilisation en économétrie et leurs applications économiques sont complétés par des exemples empiriques, des programmes et des exercices de mise en application. ©Electre 2025
Machine learning pour l'économétrie est un ouvrage destiné aux économistes qui souhaitent appréhender les techniques de machine learning modernes - de leurs performances en matière de prédiction au traitement révolutionnaire des données non structurées - afin d'établir des relations de causalité à partir des données.
Il aborde la sélection automatique de variables dans divers contextes de grande dimension, l'estimation de l'hétérogénéité des effets du traitement, les techniques de traitement du langage naturel (NLP), ainsi que le contrôle synthétique et les prévisions macroéconomiques.
Les fondements des méthodes de machine learning sont introduits de manière à proposer à la fois un traitement théorique approfondi de la façon dont elles peuvent être utilisées en économétrie, ainsi que de nombreuses applications économiques. Chaque chapitre contient une série d'exemples empiriques, de programmes et d'exercices pour faciliter l'adoption et la mise en oeuvre des techniques par le lecteur.
Ce livre s'adresse aux étudiants de master ou de grandes écoles, aux chercheurs et aux praticiens désireux de comprendre et perfectionner leur connaissance du machine learning pour l'appliquer dans un contexte traditionnellement réservé à l'économétrie.
Paru le : 16/10/2023
Thématique : Essais d'économie
Auteur(s) : Auteur : Christophe Gaillac Auteur : Jérémy L'Hour
Éditeur(s) :
Economica
Collection(s) : Economie et statistiques avancées
Série(s) : Non précisé.
ISBN : 978-2-7178-7272-9
EAN13 : 9782717872729
Reliure : Broché
Pages : IX-414
Hauteur: 24.0 cm / Largeur 16.0 cm
Épaisseur: 2.4 cm
Poids: 650 g
Carte fidélité
Mollat Radio
