Vienības

1. Mākslīgais intelekts ekonometrikā un statistikā: lomas, robežas, autentifikācija un privātums 2. Datu tīrīšana un sagatavošana: trūkst datu, novirzes un kodēšana 3. Izpētes datu analīze un vizualizācija: grafiku veidošana un interpretācija ar mākslīgo intelektu 4. Lineārā regresija: modeļa veidošana, koeficientu interpretācija un pieņēmumi 5. Regresijas diagnostika un pārkāpumi: kolinearitāte, heteroskedastiskums, autokorelācija 6. Hipotēžu pārbaude un p-vērtība: nozīme, spēks un vairāki salīdzinājumi 7. p-hacking, HARKing un statistiskā integritāte: lamatas mākslīgā intelekta laikmetā 8. Laika rindu analīze: stacionaritāte, ARIMA un prognozēšana 9. Cēloņsakarības un politikas analīze: DiD, IV, RDD un mākslīgais intelekts 10. Kodu ģenerēšana un reproducējamība: R/Python, Versionēšana un reproducējamība 11. Ziņojumu rakstīšana, komunikācija un ētika: rezultātu prezentēšana un robežu paziņošana

Vienība 10 / 11

Kodu ģenerēšana un reproducējamība: R/Python, Versionēšana un reproducējamība

Ieguvumi:

Spēja pārbaudīt, nolasot un pārbaudot mākslīgā intelekta radīto R/Python analīzes kodu, un izveidot reproducējamu projektu ar sēklu, versiju bloķēšanu un mapju struktūru
Spēja izmantot versiju kontroli (Git), izglītotu programmēšanu (R Markdown/Quarto/Jupyter) un vides pārvaldību ar mākslīgā intelekta atbalstu, padarot analīzi reproducējamu no sākuma līdz beigām
Spēja veikt vienības testēšanu un saprāta pārbaudi, lai konstatētu klusās kļūdas AI kodā (nepareiza pievienošanās, noplūde, nokavēts filtrs)

Bijušais Tālāk