Nantilus
Machine learning pour l'économétrie
La 4e de couv. indique : "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�...
Enregistré dans:
| Auteurs principaux : | , |
|---|---|
| Format : | Livre |
| Langue : | français |
| Titre complet : | Machine learning pour l'économétrie / Chistophe Gaillac, Jérémy L'Hour |
| Publié : |
Paris :
Economica
, DL 2023 |
| Description matérielle : | 1 vol. (IX-414 p.) |
| Collection : | Collection Économie et statistiques avancées. Série École nationale de la statistique et de l'administration et du Centre d'études des programmes économiques |
| Sujets : |
- P. 1
- Chapitre 1. Introduction
- P. 19
- I. Prérequis statistiques
- P. 21
- Chapitre 2. Outils statistiques
- P. 57
- Chapitre 3. Inférence causale
- P. 73
- II. Grande dimension et sélection de variables
- P. 75
- Chapitre 4. Inférence post-sélection
- P. 109
- Chapitre 5. Généralisation et méthodologie
- P. 129
- Chapitre 6. Grande dimension et endogénéité
- P. 149
- Chapitre 7. Pour aller plus loin
- P. 171
- III. Hétérogénéité des effets du traitement
- P. 173
- Chapitre 8. Inférence sur les effets hétérogènes
- P. 221
- Chapitre 9. Apprendre la politique optimale
- P. 239
- IV. Effets agrégés et prévision macroéconomique
- P. 241
- Chapitre 10. La méthode du contrôle synthétique
- P. 275
- Chapitre 11. Prévision en grande dimension
- P. 303
- V. Données textuelles
- P. 309
- Chapitre 12. Travailler avec les données textuelles
- P. 335
- Chapitre 13. Représentation distribuée des mots
- P. 359
- Chapitre 14. Apprentissage supervisé
- P. 391
- VI. Exercices
- P. 393
- Chapitre 15. Exercices
- P. 413
- Index des théorèmes & lemmes