幸运大转盘

脴konometri har lenge dominert innen 酶konomi og finans n氓r det gjelder modellering og prediksjon. Likevel har framskritt av maskinl忙ring gjort at maskinl忙ringen brukes mer og mer innen 酶konomi og finans. Dette emnet vil omhandle teknikker som beslutningstr忙r, nevrale nettverk, bildeklassifisering, bruk av tekstdata, spr氓kmodeller og tidsserie-modeller.
Undervisningen vil bruke maskinl忙ringsverkt酶y i Python, og gi studentene en god innf酶ring i maskinl忙ring rettet mot samfunns酶konomiske og finansielle problemstillinger.

I dette emnet l忙rer studenten hvordan maskinl忙ringsteknikker som beslutningstr忙r, nevrale nettverk, tekst- og bildeklassifisering, samt tidsseriemodeller kan anvendes p氓 酶konomiske og finansielle problemstillinger. Gjennom praktisk bruk av Python-verkt酶y f氓r studentene innsikt i hvordan disse metodene kan forbedre prediksjoner og analyser sammenlignet med tradisjonelle 酶konometriske modeller. Etter fullf酶rt kurs skal studenten kunne bygge og anvende maskinl忙ringsmodeller for komplekse 酶konomiske data.

Kunnskap

Kandidaten har:

• Grunnleggende kunnskap om maskinl忙ringsmodeller og deres anvendelse innen samfunns酶konomi og finans.
• Forst氓else for hvilke maskinl忙ringsteknikker som passer til ulike typer 酶konomiske problemstillinger.
• Kjennskap til viktige metoder som beslutningstr忙r, nevrale nettverk og tidsseriemodeller som for eksempel LSTM.

Ferdigheter

Kandidaten kan:

• skrive kode i Python som implementerer maskinl忙ringsmodeller, for eksempel ved hjelp av TensorFlow.
• utf酶re databehandling og transformasjon som kreves f酶r maskinl忙ringsalgoritmer kan anvendes.
• trene maskinl忙ringsmodeller og evaluere deres ytelse.
• visualisere resultater fra maskinl忙ringsmodeller p氓 en klar og innsiktsfull m氓te.

Kompetanse

Kandidaten:

• kan identifisere samfunns酶konomiske problemstillinger som kan l酶ses ved hjelp av maskinl忙ring.
• kan innhente og analysere data for 氓 bygge maskinl忙ringsmodeller som forklarer 酶konomiske sammenhenger.
• kan bruke Python til 氓 utvikle modeller for prediksjon og beslutningsst酶tte i 酶konomiske analyser.
• kan trekke ut innsikt fra komplekse 酶konomiske datasett ved hjelp av maskinl忙ring og presentere denne innsikten p氓 en forst氓elig m氓te.

Forelesninger og seminar

Seminarene vil fokusere p氓 praktiske problemstillinger, der studentene f氓r jobbe med reelle data og modeller.