Μονάδες
1. Τεχνητή Νοημοσύνη στην Οικονομετρία και τη Στατιστική: Ρόλοι, Όρια, Έλεγχος ταυτότητας και Απόρρητο 2. Καθαρισμός και προετοιμασία δεδομένων: Λείπουν δεδομένα, ακραίες τιμές και κωδικοποίηση 3. Διερευνητική Ανάλυση και Οπτικοποίηση Δεδομένων: Γραφήματα και Ερμηνεία με Τεχνητή Νοημοσύνη 4. Γραμμική Παλινδρόμηση: Δόμηση Μοντέλου, Ερμηνεία Συντελεστών και Υποθέσεις 5. Παλινδρόμηση Διαγνωστικά και Παραβιάσεις: Συγγραμμικότητα, Ετεροσκεδαστικότητα, Αυτοσυσχέτιση 6. Έλεγχος υποθέσεων και τιμή p: Σημασία, ισχύς και πολλαπλές συγκρίσεις 7. p-hacking, HARKing και στατιστική ακεραιότητα: παγίδες στην εποχή της τεχνητής νοημοσύνης 8. Ανάλυση Χρονοσειρών: Σταθερότητα, ARIMA και Πρόβλεψη 9. Ανάλυση αιτιών και πολιτικής: DiD, IV, RDD και Τεχνητή Νοημοσύνη 10. Δημιουργία κώδικα και αναπαραγωγιμότητα: R/Python, Versioning και Reproducibility 11. Συγγραφή Αναφοράς, Επικοινωνία και Δεοντολογία: Παρουσίαση Αποτελεσμάτων και Όρια Επικοινωνίας
Μονάδα 10 / 11

Δημιουργία κώδικα και αναπαραγωγιμότητα: R/Python, Versioning και Reproducibility

Κέρδη:

  • Δυνατότητα επαλήθευσης με ανάγνωση και δοκιμή του κώδικα ανάλυσης R/Python που παράγεται από την τεχνητή νοημοσύνη και δημιουργία ενός αναπαραγώγιμου έργου με seed, έκδοση κλειδώματος και δομή φακέλου
  • Δυνατότητα χρήσης ελέγχου έκδοσης (Git), εγγράμματου προγραμματισμού (R Markdown/Quarto/Jupyter) και διαχείρισης περιβάλλοντος με υποστήριξη τεχνητής νοημοσύνης, καθιστώντας την ανάλυση αναπαραγώγιμη από την αρχή μέχρι το τέλος
  • Δυνατότητα εκτέλεσης δοκιμών μονάδας και ελέγχου υγιεινής για να εντοπιστούν σιωπηλά σφάλματα στον κώδικα AI (λανθασμένη σύνδεση, διαρροή, χαμένο φίλτρο)
Πρώην Επόμενος