В этом учебном году на программе «Магистр экономики» (MAE) появился курс «Машинное обучение». Мы поговорили с директором программы Сергеем Измалковым и преподавателем этой дисциплины Евгением Соколовым о том, почему экономическим вузам не стоит недооценивать этот курс и как студенты смогут использовать его в любом карьерном треке. Подать документы на программу «Магистр экономики» вы можете до 20 июля.
Сергей Измалков о том, почему изучение машинного обучения в экономическом вузе — естественно
Мы готовим выпускников к работе в любой отрасли, будь то бизнес, финансы, академический или государственный сектор. И в любой из этих отраслей понадобится умение работать с данными.
Экономика – наука про людей, про то, как они себя ведут и как делают выбор. Когда специалисты видят, собирают и анализируют следы поведения человека, они могут лучше помочь ему определиться. Представим ситуацию: кто-то хочет понять, стоит ему инвестировать деньги в акции конкретной компании или нет. Он чувствует неопределенность — что будет с рынком? Что будет с этой компанией? Но решение принимать нужно. Скорее всего, этот человек прибегнет к опыту других людей, будет спрашивать знакомых, читать аналитику. Сколько человек уже вложились в эти акции? Что было после? Он попробует построить какую-то модель на основе чужого опыта, примерить его на себя и уже исходя из этого будет принимать решение. Экономика как наука анализирует опыт миллионов, чтобы один конкретный человек сделал правильный выбор.
Связь машинного обучения и экономики именно на этом стыке: нужно делать разного рода эмпирические исследования, обрабатывать данные, чтобы понимать, как думают и чем руководствуются в своих решениях люди и затем подсказывать им верные решения. Сейчас данных, на основе которых можно делать выбор, так много, что для их обобщения и проектирования моделей нужны свои инструменты. Естественно, что для более качественного анализа и более релевантных рекомендаций необходимо давать будущим экономистам передовые инструменты. Такие, как машинное обучение.
Евгений Соколов о сущности машинного обучения и своем взгляде на его связь с экономикой
Машинное обучение — большое направление в компьютерных науках, которое сейчас набирает обороты. Раньше, когда люди пытались какие-то задачи решать, они спрашивали экспертов: как вы это делаете? И пытались эти правила от экспертов запрограммировать, вложить в какую-то программу, которая будет давать рекомендации. Такой способ не работает, если мы хотим решать сложные задачи: ту же задачу перевода с одного языка на другой, распознавания речи, анализа изображения, анализа текста. Машинное обучение – это про другой подход к таким задачам. Он предлагает не пытаться понять, как люди их решают, а просто взять данные, примеры того, как они с ними справляются, и использовать их.
Одно из ключевых применений машинного обучения в индустрии – автоматизация рутинных задач. Например, автоматические ответы на типичные вопросы, системы для распознавания документов, автоматическая модерация чего-либо. Это экономит время и помогает повысить производительность. Второе – персонализация. Используя автоматические алгоритмы можно строить персональные рекомендации для покупателей, на основе их данных предлагать им то, что они точно приобретут. Третье – прогнозирование. Многим ритейловым сетям нужно качественно прогнозировать спрос, планировать закупки, и машинное обучение там также активно используется.
Как в MAE появилось машинное обучение
Сергей Измалков: «Курсов, которые касаются работы с данными, на программе «Магистр экономики» уже было достаточно. В частности, курсы эконометрики покрывающие классические методы, которые появились и появляются в процессе развития экономики и объясняют, как с различными данными работать. Также есть курс микроэконометрики, курс эмпиричесной индустриальной организации, курс макроэконометрики и многие другие. Есть эмпирические составляющие и в отдельных направлениях, например, в прошлом году был видео-курс «Эмпирика общественного сектора»Как здесь оказалось «Машинное обучение»? Это огромная область с огромным количеством приложений и методов работы, которые наверняка пригодятся выпускникам, в какой бы сфере они не захотели себя реализовать. Эта дисциплина — «молоток», с помощью которого можно идти работать с большими данными, даже если они плохо структурированы. Еще одна скрытая возможность — строить модели и «предсказывать» нужные показатели исходя не из знаний экономической теории, а из закономерностей внутри самих данных. Они окажутся релевантными, поскольку сформированы на основе эмпирического опыта».
Из чего состоит курс и почему изучать его трудно
Евгений Соколов: «Я веду на MAE два курса. Первый – «Машинное обучение», он идет модуль, в неделю две лекции, один семинар. Это классический курс по машинному обучению, где мы изучаем, что оно в себя включает, разбираемся с базовыми методами, на семинарах студенты с преподавателем узнают, как это применить с помощью Python. Особенность курса − мы даем довольно много домашних заданий, и практических, и теоретических. У меня такой принцип, который, наверное, есть у всех преподавателей на MAE: все, что мы изучили на лекциях, нужно попробовать на практике, иначе непонятно, зачем мы это изучали. Студентам непросто, задания сложные, но это обучение через “переламывание” себя — самое эффективное, нужно делать то, что тебе сложно, тогда ты развиваешься. Так этот курс и устроен.
Вторая дисциплина – это глубинное обучение, где мы разбираемся с нейронными сетями Курс тоже идет один модуль. В этом году я в первый раз его читал в РЭШ. Он немного по-другому устроен, там чуть меньше лекций, но чаще − два раза в неделю − проходят семинары. Он более практический, там больше надо научиться использовать инструменты и ставить эксперименты, но структура такая же – много домашних заданий, теория, практика.
Чтобы освоить эти предметы, нужна математическая база, классический набор: математический анализ, линейная алгебра, теория вероятностей, немного статистики и программирование. Все эти знания уже есть у студентов MAE, не так давно даже был введен отдельный курс по Python. Еще у студентов есть очень крутое свойство, без которого тоже никуда, – они готовы очень много работать. Какое задание им ни даешь — готовы изучать, стараться. С ними очень интересно на лекциях – они задают много вопросов, активные, не стесняются спросить. Я и сам узнаю много нового, когда работаю с ними».
Как студенты могут использовать полученные навыки и почему то, что преподаватель не связан с экономикой как наукой — плюс
Сергей Измалков: «На курсе «Машинное обучение», как впрочем, и на любом другом курсе MAE, студенты в первую очередь учатся разным способам думать. Учатся методам размышления, методам построения моделей, в том числе эмпирических. Ключевой момент именно про анализ, про понимание того, где какие способы решения задач работают, как они работают, как их можно комбинировать и применять, как оценивать.
Еще было важно показать студентам другой взгляд. Считаю ценным, что курс читает преподаватель, не связанный с экономикой как наукой, — он показывает, как можно мыслить иначе, как можно взглянуть на проблему другим способом. И решить ее другим методом».
Евгений Соколов: «Ни разу не сталкивался с проблемами, связанными с тем, что учу студентов не профильной специальности. В целом, поскольку наука у нас более математическая, она учит мыслить более абстрактно. В начале курса студенты у меня часто спрашивают: «А если я хочу это в экономике применять, то как?». Потом к концу становится понятно, что если выйти на уровень абстракции чуть выше, то более-менее во всех областях, именно с точки зрения математики, задачи решаются одинаково, нужно просто уметь такие аналогии проводить.
Если говорить о том, зачем студентам экономических вузов этот курс, то причин несколько. Первая — чтобы общаться с программистами и специалистами data science и машинного обучения на одном языке. Очень здорово, если ты data scientist, а люди, которые ставят тебе задачи, сами понимают, что можно, а что нельзя, какие существуют ограничения, в каком случае за задачу лучше не браться; если они понимают, как измерять качество. Вторая — этот навык позволяет видеть, где в своей работе можно применить методы машинного обучения и инициировать проекты, где принимаются решения на основе данных. Третья — быть более востребованным специалистом в своей области. Сейчас все сильнее размывается граница между профессиями. Даже если ты решаешь в основном экономические задачи, работа будет гораздо эффективнее, если ты сможешь сам построить модель, провести анализ, подготовить рекомендации на основе данных. На рынке это очень важно и очень ценится».
Подать документы на программу «Магистр экономики» вы можете до 20 июля.