課程概述
2011年，微信剛剛推出，大多數(shù)人還不知道朋友圈，基本也沒人談論大數(shù)據(jù)、機器學習與人工智能。八年后的今天，世界變化速度還在繼續(xù)加快，技術(shù)進步時刻沖擊著每個行業(yè)與組織，究竟什么樣的技能才是最稀缺、最寶貴的，才能使你立于不敗之地？最重要的，應該是快速學習的能力。陳強教授自2010年《高級計量經(jīng)濟學及Stata》教材出版以來，受到了廣大讀者的熱烈歡迎，也累積了大批粉絲?？邕^了計量那道坎，繼續(xù)上路吧，由StataCorp LLC重點推薦的“Stata夏季訓練營 ”課程，匯集雙男神，2 1模式，由山東大學陳強教授和南開大學王群勇教授親自操刀，傳授機器學習里最受歡迎熱門知識。以計量經(jīng)濟學的前沿問題為導向，引入人工智能領(lǐng)域最前沿的機器學習方法結(jié)合Stata應用。 全程八天(含會議)，Stata魔鬼訓練營，打造2019最新穎、最前沿的學習課程，本次“機器學習與Stata、R應用研討會”，陳老師將推陳出新，化難為簡，帶來全新、不一樣的內(nèi)容。通過本課程的學習，使學員可以了解機器學習的常用算法以及典型的應用領(lǐng)域。掌握機器學習的基本概念，并在此基礎(chǔ)上應用于相關(guān)領(lǐng)域，培養(yǎng)一定的分析實際問題的能力。歡迎廣大Stata用戶及學者報名參加。
Stata夏季訓練營，最前沿的知識體系，帶你一探究竟！
機器學習是人工智能科學研究和應用領(lǐng)域的重要驅(qū)動力， 同時也給統(tǒng)計研究帶來了眾多挑戰(zhàn)和思路，機器學習最基本的做法，是使用算法來解析數(shù)據(jù)、從中學習，然后對真實世界中的事件做出決策和預測，本課程將提供機器學習里最受歡迎熱門知識， 主要指導思想是在最前沿的技術(shù)及Stata更深入的探究上，將機器學習的思想原理結(jié)合Stata精髓及核心內(nèi)容，以最通俗生動的語言以及大量的案例教給學員，并注重在應用上的擴展。課前我們將提供電子版本講義及課件資源。并提供Stata最新正版軟件試用，確保每位老師都能正常、安全的運行數(shù)據(jù)資源，保證上課質(zhì)量！
可點擊放大瀏覽
?OLS的代數(shù)與幾何
統(tǒng)計推斷
標準誤（穩(wěn)健、HAC、聚類、自助）
?邏輯回歸
Logit回歸、邊際效應、幾率比
ROC、AUC
?決策樹（Decision Tree）
CART算法、分裂準則函數(shù)
剪枝（Pruning）、交叉驗證
?集成學習（Ensemble Learning）
袋裝法（Bagging）、隨機森林
提升法（Boosting）、變量重要性、偏依賴圖
?人工神經(jīng)網(wǎng)絡
激活函數(shù)、反向傳播算法
神經(jīng)網(wǎng)絡的訓練、深度神經(jīng)網(wǎng)絡
?支持向量機
最大間隔分類器（Maximal Margin Classifier）
軟間隔（Soft Margin）、核技巧
導讀：
當計量經(jīng)濟學遭遇機器學習（一）
當計量經(jīng)濟學遭遇機器學習（二）
當計量經(jīng)濟學遭遇機器學習（三）
當計量經(jīng)濟學遭遇機器學習（四）
請訪問微信公眾號"計量經(jīng)濟學及Stata應用"獲取。
機器學習 Stata、R應用課程
推薦：暑假必備、學術(shù)充電、陳強老師親授；
干貨：思想原理 數(shù)學精髓 Stata案例；
福利：提供Stata/MP2最新正版軟件試用；
主講嘉賓:
陳強，山東大學教授，分別于1992年與1995年獲得北京大學經(jīng)濟學學士與碩士學位，2007年獲美國Northern Illinois University數(shù)學碩士與經(jīng)濟學博士學位?，F(xiàn)任山東大學經(jīng)濟學院博士生導師。主要研究領(lǐng)域為計量經(jīng)濟學、經(jīng)濟史。已獨立發(fā)表論文于Oxford Economic Papers (lead article)，Economica，Journal of Comparative Economics，《經(jīng)濟學(季刊)》、《世界經(jīng)濟》等國內(nèi)外期刊。著有暢銷研究生教材《高級計量經(jīng)濟學及Stata應用》（第2版，高教社，2014）與本科教材《計量經(jīng)濟學及Stata應用》（高教社，2015）。2010年入選教育部新世紀優(yōu)秀人才支持計劃。
計量經(jīng)濟學及Stata主頁
課程信息：
時間：2019年8月17日-19日（共三天）
安排：上午09:00至12:00 ; 下午14:00至17:00 ；答疑：17:00-17:30
費用：3600元/人
地點：上海財經(jīng)大學
課程摘要：
本課程主要介紹機器學習的基本思想與算法，結(jié)合具體案例，介紹Stata和R語言實踐操作，課程以計量經(jīng)濟學的前沿問題為導向，引入人工智能領(lǐng)域最前沿的機器學習方法結(jié)合Stata應用，打造思想原理數(shù)學精髓 Stata案例。即日起開始報名。
課程大綱：
第一講 機器學習引論
第二講 KNN
第三講 OLS
第四講 判別分析
第五講 樸素貝葉斯
第六講 邏輯回歸
第七講 決策樹
第八講 集成學習（Ensemble Learning）
第九講 支持向量機
第十講 人工神經(jīng)網(wǎng)絡
▲第一天
第一講 機器學習引論
專題介紹：近年來人工智能迅速進入大眾視野，并在全球范圍內(nèi)迎來了行業(yè)的快速發(fā)育期。機器學習作為人工智能的組成部分，無疑是人工智能科學研究和應用領(lǐng)域的重要驅(qū)動力，將帶來一系列傳統(tǒng)決策機制的根本性變革，勢必推動社會科學研究范式的重大轉(zhuǎn)型。 當計量經(jīng)濟學的影響力幾乎不出校門時，機器學習正迅速進入大眾視野，并悄然改變著我們的日常生活（比如，網(wǎng)絡搜索、網(wǎng)購等背后均有機器學習的算法支持，本講將帶您揭開機器學習的神密面紗。
第二講 KNN
專題介紹：K-近鄰算法（KNN）是將最簡單最初級的分類器是將全部的訓練數(shù)據(jù)所對應的類別都記錄下來，當測試對象的屬性和某個訓練對象的屬性完全匹配時，便可以對其進行分類。 KNN算法中，所選擇的鄰居都是已經(jīng)正確分類的對象。該方法在定類決策上只依據(jù)最鄰近的一個或者幾個樣本的類別來決定待分樣本所屬的類別。交叉驗證是一種通過估計模型的泛化誤差，從而進行模型選擇的方法。沒有任何假定前提，具有應用的普遍性，操作簡便， 是一種行之有效的模型選擇方法。K折交叉驗證：把數(shù)據(jù)分成K份，每次拿出一份作為驗證集，剩下k-1份作為訓練集，重復K次。最后平均K次的結(jié)果，作為誤差評估的結(jié)果，此方法大大減小算法復雜度，被廣泛應用?！酒钆c方差的權(quán)衡 、如何選擇K 、驗證集法 、交叉驗證】
第三講 OLS
專題介紹：OLS(最小二乘法)主要用于線性回歸的參數(shù)估計，它的思路很簡單，就是求一些使得實際值和模型估值之差的平方和達到最小的值，將其作為參數(shù)估計值。OLS的最大好處是便于解釋，容易考察解釋變量 x 對被解釋變量 y 的影響。雖然OLS估計非常簡單，但在進行統(tǒng)計推斷時，卻需要特別注意在不同的場合下使用不同的標準誤，比如穩(wěn)健標準誤，HAC標準誤，聚類穩(wěn)健標準誤，自助標準誤等?！綩LS的代數(shù)與幾何、統(tǒng)計推斷、標準誤（穩(wěn)健、HAC、聚類、自助）】
第四講 判別分析
專題介紹：貝葉斯決策論是解決模式分類問題的一種基本統(tǒng)計途徑。其假設(shè)：決策問題可以用概率的形式來描述，并且所有有關(guān)的概率結(jié)構(gòu)均已知，葉斯決策論是基于概率論的決策，根據(jù)不同決策準則，分別得到不同決策意義下的最優(yōu)判斷。由于線性判別函數(shù)易于分析，所以關(guān)于這方面的研究特別多。 應用統(tǒng)計方法解決模式識別問題時，一再碰到的問題之一是維數(shù)問題。在低維空間里解析上或計算上行得通的方法，在高維空間里往往行不通。因此，降低維數(shù)有時就成為處理實際問題的關(guān)鍵?！矩惾~斯決策理論、線性判別、二次判別、Fisher判別分析】
第五講 樸素貝葉斯
專題介紹：樸素貝葉斯算法簡單高效，在處理分類問題上，是首先考慮的方法之一。其優(yōu)點為簡單、快速、有效。能處理好噪聲數(shù)據(jù)和缺失的數(shù)據(jù)，需要用來訓練的例子相對較少，但同樣能處理好大量的例子，很容易獲得一個預測的估計概率值 。 本講將主要講解樸素貝葉斯通過拉普拉斯修正，可以避免因訓練集樣本不充分而導致概率估值為零的問題，對算法的思考以及應用的消息，培養(yǎng)思維能力，注重過程，挖掘背后的原理。【樸素貝葉斯、 拉普拉斯修正】
第六講 邏輯回歸
專題介紹：邏輯回歸由于存在易于實現(xiàn)、解釋性好以及容易擴展等優(yōu)點，被廣泛應用于點擊率預估（CTR）、計算廣告（CA）以及推薦系統(tǒng)（RS）等任務中。 ROC/AUC作為機器學習的評估指標非常重要， 為了了解模型的泛化能力，我們需要用某個指標來衡量，這就是性能度量的意義。有了一個指標，我們就可以對比不同模型了，從而知道哪個模型相對好，那個模型相對差，并通過這個指標來進一步調(diào)參逐步優(yōu)化我們的模型。 本講我們主要討論與分類相關(guān)的一些指標，因為AUC/ROC就是用于分類的性能度量標準?！綥ogit回歸、邊際效應、幾率比、ROC、AUC】
第七講 決策樹（Decision Tree）
專題介紹：機器學習中，決策樹是一個預測模型；他代表的是對象屬性與對象值之間的一種映射關(guān)系。其中CART算法（Classification and Regression Trees）分類與回歸樹(CART——Classification And Regression Tree)) 是一種非常有趣并且十分有效的非參數(shù)分類和回歸方法。它通過構(gòu)建二叉樹達到預測目的。 剪枝（Pruning）是決策樹停止分支的方法之一。除此之外，課程中還將對分裂準則函數(shù)（錯分率、基尼指數(shù)、信息熵）、交叉驗證（Cross-validation）做詳細講解。【CART算法（Classification and Regression Trees）、分裂準則函數(shù)（錯分率、基尼指數(shù)、信息熵）、剪枝（Pruning）、交叉驗證（Cross-validation）】
第八講集成學習（Ensemble Learning）
專題介紹：集成學習的理論基礎(chǔ)是 PAC 理論、強可學習與弱可學習理論。集成學習的理論基礎(chǔ)表明強可學習器與弱可學習器是等價的，因此可以尋找方法將弱可學習器轉(zhuǎn)換為強可學習器，而不必去直接尋找較難發(fā)現(xiàn)的強可學習器。本次課程陳教授將帶我們一起探討具有代表性的集成學習方法包括Boosting，Bagging，隨機森林等?！敬b法（Bagging）、隨機森林（Random Forest）、提升法（Boosting）、變量重要性（Variable Importance）、偏依賴圖（Partial Dependence Plot）】
第九講 支持向量機
專題介紹：支持向量機（Support Vector Machine, SVM）是一類按監(jiān)督學習（supervised learning）方式對數(shù)據(jù)進行二元分類（binary classification）的廣義線性分類器（generalized linear classifier），其決策邊界是對學習樣本求解的最大邊距超平面（maximum-margin hyperplane）。 SVM被提出于1964年，在二十世紀90年代后得到快速發(fā)展并衍生出一系列改進和擴展算法，在人像識別（face recognition）、文本分類（text categorization）等模式識別（pattern recognition）問題中有得到應用 。本課程將重點解析最大間隔分類器（Maximal Margin Classifier）、軟間隔（Soft Margin）及核技巧（Kernel Trick）等支持向量機方面的核心內(nèi)容?！咀畲箝g隔分類器（Maximal Margin Classifier）、軟間隔（Soft Margin）、支持向量機（Support Vector Machine）、核技巧（Kernel Trick）】
第十講 人工神經(jīng)網(wǎng)絡
專題介紹：人工神經(jīng)網(wǎng)絡（Artificial Neural Network，即ANN ），是20世紀80 年代以來人工智能領(lǐng)域興起的研究熱點。它從信息處理角度對人腦神經(jīng)元網(wǎng)絡進行抽象， 建立某種簡單模型，按不同的連接方式組成不同的網(wǎng)絡。在學術(shù)界也常直接簡稱為神經(jīng)網(wǎng)絡或類神經(jīng)網(wǎng)絡。 最近十多年來，人工神經(jīng)網(wǎng)絡的研究工作不斷深入，已經(jīng)取得了很大的進展，其在模式識別、智能機器人、自動控制、預測估計、生物、醫(yī)學、經(jīng)濟等領(lǐng)域已成功地解決了許多現(xiàn)代計算機難以解決的實際問題，表現(xiàn)出了良好的智能特性。本課程將詳細介紹人工神經(jīng)網(wǎng)絡的思想、激活函數(shù)、反向傳播算法、神經(jīng)網(wǎng)絡的訓練等內(nèi)容，同時陳老師也會和大家一起探討關(guān)于神經(jīng)網(wǎng)絡的類型與發(fā)展等問題?！救斯ど窠?jīng)網(wǎng)絡的思想、激活函數(shù)、反向傳播算法（Back-propagation Algorithm）、神經(jīng)網(wǎng)絡的訓練、深度神經(jīng)網(wǎng)絡、神經(jīng)網(wǎng)絡的類型與發(fā)展】
相約上海，暑假狂歡
第三屆Stata中國用戶大會/2019年8月20-21日
2019，一起發(fā)現(xiàn)Stata新價值
鏈接：http://www.uone-tech.cn/ChinaStataConference2019/
Stata空間計量與機器學習研討會-王群勇專場/2019年8月22-24日
2019，空間計量 機器學習
鏈接：http://www.uone-tech.cn/training/stata20190822wqy.html
2019年第三屆 Stata 中國用戶大會暨“機器學習與計量方法應用研討會”將于2019年8月20-21日在上海財經(jīng)大學盛大召開。StataCorp LLC將繼續(xù)選派技術(shù)專家出席會議，將與來自中國的Stata用戶交流軟件新應用及想法。我們還將邀請國內(nèi)計量經(jīng)濟學專家及金融投資領(lǐng)域的技術(shù)大咖為大家?guī)碓赟tata應用中各種有吸引力的主題和實踐經(jīng)驗，希望這次會議能夠成為發(fā)現(xiàn)Stata新價值的機會。會議同期還將開展Stata夏季訓練營活動，由山東大學陳強教授和南開大學王群勇教授帶來Stata機器學習及計量經(jīng)濟方法應用課程，點擊了解詳情！
會議官網(wǎng)
王群勇專場
陳強專場
報名方式
請?zhí)顚懕砀窈笥?019年8月15日前，發(fā)送“報名回執(zhí)表 支付截圖”至郵箱：marketing@uone-tech.cn，郵件主題為：“2019 Stata夏季訓練營 姓名 單位”完成報名及繳費。（如現(xiàn)場刷卡需預繳500元留位費至主辦方指定帳戶，現(xiàn)場刷卡后以現(xiàn)金方式返還）。Word版報名表下載：https://eyun.baidu.com/s/3dHhApyD（復制瀏覽器下載）
在線報名
參會對象
高校教師、碩士生、博士生、科研院所科研人員、大型企業(yè)數(shù)據(jù)分析師、社會團體及Stata愛好者。
會議費用
名稱：第三屆Stata中國用戶大會
費用：800元/人
時間：2019年08月20-21日
名稱：Stata夏季訓練營-陳強專場
費用：3600元/人
時間：2019年08月17-19日
名稱：Stata夏季訓練營-王群勇專場
費用：3600元/人
時間：2019年08月22-24日
備注：（食宿差旅費用自理）
優(yōu)惠方案
可點擊放大瀏覽
支付方式
對公轉(zhuǎn)賬
開戶名：北京友萬信息科技有限公司
開戶行：中國建設(shè)銀行北京昌平支行
帳 號：11050181360009366857
組織單位
主辦方：北京友萬信息科技有限公司（Uone-Tech）
承辦方：上海財經(jīng)大學
交通指南
會議地點：上海財經(jīng)大學（上海市國定路777號）
虹橋國際機場/高鐵到達：全程30公里，預計行駛45分鐘，費用約100元
上海站到達：全程10公里，預計行駛20分鐘，費用約34元
其它事項
? 主辦方將提供課程所需的Stata\MP2 最新版本試用。
? 請參會學員自帶電腦提前安裝軟件，現(xiàn)場由課程助教激活。
? 本次會議食宿差旅費用由學員自理，外地學員請?zhí)崆鞍才藕眯谐獭?/p>
?參會學員可申請由主辦方友萬科技提供的結(jié)業(yè)證書。
?參會學員如需采購正版Stata軟件可享受內(nèi)部采購優(yōu)惠。
? 請于開營前完成報名工作并及時與會務組保持溝通。
Stata軟件采購優(yōu)惠方案
北京友萬信息科技有限公司作為Stata軟件在中國大陸的官網(wǎng)指定經(jīng)銷商及合作伙伴，希望能給Stata中國用戶提供更多服務與支持，并幫助中國用戶建立完善的軟件售后服務體系。如需新版本采購及老版本更新升級請聯(lián)系我們，感謝您的支持與關(guān)注。定購熱線：010-56451129
1.凡參加本次會議，一年內(nèi)購買Stata IC/SE/MP軟件單機版本，給予10%價格優(yōu)惠。2.凡參加本次會議，一年內(nèi)購買Stata IC/SE/MP軟件實驗室版本，給予10%價格優(yōu)惠并免費贈送Stata視頻培訓DVD學習課程一套。3.凡參加本次會議，一年內(nèi)構(gòu)建包括Stata軟件在內(nèi)的大數(shù)據(jù)實驗室軟件，項目完成后免費奉送現(xiàn)場Stata為期三天培訓券1張，并邀請免費參加年度Stata中國用戶大會。以上優(yōu)惠信息解釋權(quán)歸北京友萬信息科技有限公司所有。
會務組聯(lián)系方式
報名郵箱：marketing@uone-tech.cn
報名熱線：010-56451128
課程咨詢：王老師 18612990364（手機/微信同號）
課程咨詢：陳老師 18600528290（手機/微信同號）
線上咨詢：3357724577
線上咨詢：2196837879
線上咨詢：124932243
溫馨提示：按預報名順序排座。
