Το μάθημα εισάγει τους προπτυχιακούς φοιτητές οικονομικών επιστημών στις σύγχρονες μεθόδους μηχανικής μάθησης και στις εφαρμογές τους στην οικονομική ανάλυση. Βασιζόμενο στις γνώσεις στατιστικής, οικονομετρίας και εισαγωγικής επιστήμης δεδομένων, το μάθημα δίνει έμφαση στη σύνδεση των τεχνικών πρόβλεψης με την οικονομική ερμηνεία.

Οι φοιτητές θα εξοικειωθούν με μεθόδους επιβλεπόμενης και μη επιβλεπόμενης μάθησης, τεχνικές αξιολόγησης και ερμηνείας μοντέλων, καθώς και με το αναδυόμενο πεδίο της αιτιώδους μηχανικής μάθησης. Ιδιαίτερη έμφαση δίνεται στα πλεονεκτήματα και τους περιορισμούς της μηχανικής μάθησης σε σύγκριση με τις παραδοσιακές οικονομετρικές προσεγγίσεις, με στόχο την ενίσχυση της κατανόησης, της ερμηνευσιμότητας και της υποστήριξης λήψης αποφάσεων.

Οι εφαρμογές καλύπτουν βασικούς τομείς της οικονομικής επιστήμης, όπως η αγορά εργασίας, τα χρηματοοικονομικά, η εκτίμηση ζήτησης και η μακροοικονομική πρόβλεψη.

Μετά την επιτυχή ολοκλήρωση του μαθήματος, αναμένεται οι φοιτητές και οι φοιτήτριες  να είναι σε θέση να:

• Περιγράψουν το ρόλο και τη σημασία της μηχανικής μάθησης στην Οικονομική Επιστήμη
• Διακρίνουν μεταξύ μηχανικής μάθησης και παραδοσιακών οικονομετρικών προσεγγίσεων.
• Αξιοποιούν μεθόδους επίλυσης προβλημάτων στην οικονομική επιστήμη μέσω της μηχανικής μάθησης
• Αξιολογούν προγνωστικά μοντέλα χρησιμοποιώντας κατάλληλους δείκτες απόδοσης.
• Ερμηνεύουν τα αποτελέσματα μοντέλων μηχανικής μάθησης σε οικονομικό πλαίσιο.
• Κατανοούν τους περιορισμούς της μηχανικής μάθησης ως προς την αιτιώδη ερμηνεία.
• Εφαρμόζουν βασικές έννοιες αιτιώδους μηχανικής μάθησης σε προβλήματα οικονομικής φύσης.
• Χρησιμοποιούν μεθόδους μηχανικής μάθησης προκειμένου να είναι σε θέση να χρησιμοποιούν τύπους δεδομένων πέραν των αριθμητικών ή κατηγορικών στην εκτίμηση οικονομικών μοντέλων.
• Κάνουν χρήση σύγχρονων εργαλείων όπως Python και το οικοσύστημα βιβλιοθηκών της για την σωστή εφαρμογή των αλγορίθμων μηχανικής μάθησης σε οικονομικά δεδομένα και την μελέτη οικονομικών προβλημάτων.

Εισαγωγή στην τεχνητή νοημοσύνη. Είδη μηχανικής μάθησης (επιβλεπόμενη vs μη επιβλεπόμενη μάθηση vs ενισχυτική μάθηση). Πολυδιάστατα δεδομένα. Πρόβλεψη έναντι αιτιώδους ερμηνείας. Σύνολα εκπαίδευσης, επικύρωσης και ελέγχου. Σύγκριση με κλασικά οικονομετρικά υποδείγματα.  Αλγόριθμοι επιβλεπόμενης μάθησης (όπως γραμμική παλινδρόμηση, δένδρα απόφασης, Τυχαία Δάση κλπ). Δείκτες απόδοσης. Σημασία χαρακτηριστικών. Εισαγωγή στις τιμές SHAP. Αλγόριθμοι μη-επιβλεπόμενη μάθησης (όπως συσταδοποίηση π.χ. αλγόριθμος K-μέσων).  Περιορισμοί της μηχανικής μάθησης ως προς την αιτιότητα. Εισαγωγή στη Double Machine Learning. Χρήση κειμένου και πολυμέσων ως δεδομένα. Εφαρμογές αλγορίθμων στην Οικονομική.

Διαλέξεις (2 ώρες/εβδομάδα) και Εργαστηριακές Ασκήσεις (1 ώρα/εβδομάδα)

Η αξιολόγηση περιλαμβάνει:

1. Δύο (2) γραπτές ομαδικές εργασίες (με στόχο την χρήση των υπολογιστικών εργαλείων για την χρήση μεθόδων μηχανικής μάθησης): 30%
2. Γραπτή εξέταση (Ερωτήσεις σύντομης απάντησης, Επίλυση Προβλημάτων): 70%

Ο τελικός βαθμός είναι προβιβάσιμος εφόσον ο βαθμός είναι πάνω από τη βάση στις δύο εργασίες και στην γραπτή εξέταση.

• Χρήση διαφανειών για την υποστήριξη διαλέξεων
• Χρήση περιβάλλοντος Python και των σχετικών βιβλιοθηκών (όπως π.χ. pandas, scikit-learn, PyTorch, NumPy, matplotlib, Seaborn, NLTK κλπ) για την επίδειξη και πρακτική προσέγγιση χρήσης αλγορίθμων μηχανικής μάθησης για τη μελέτη οικονομικών προβλημάτων.
• Χρήση πλατφόρμας elearning (eclass) για την:
  • οργάνωση και διανομή των σημειώσεων
  • εκπόνηση εβδομαδιαίων ηλεκτρονικών ασκήσεων κατανόησης της ύλης και αξιολόγηση φοιτητών
  • την παράδοση των εργασιών.
  • την επικοινωνία με τους φοιτητές.
• Χρήση ανοικτών μαθημάτων ως συμπληρωματικό εκπαιδευτικό υλικό