本课程应用多个回归技术，包括线性和逻辑模型拟合，推理和诊断。降低文本采矿的应用。将强调具有大量功能的数据集的特殊适用性的方法。示例包括但不限于前后选择，套索和脊正规化。模型复杂性，偏差差异和模型验证的问题将在大型数据集的背景下进行研究。也少于分布假设的方法也被引入，包括交叉验证和非参数方法。 学生还将被介绍给文本分类和神经网络。 还包括 EDEN，历史和工业方面的数据科学，以及机器学习在会计，经济学，财务，信息系统，管理，市场，媒体和社会学等领域的特定应用。 本课程的重要部分将涵盖大型语言模型，单词嵌入，情感分析以及将其应用于大型文本库所需的所有相关定量和编程背景。 在这些讲座中，我们关注机器学习，文本挖掘和业务交集的最新论文。 学生将学习方法论背后的直觉，假设和权衡，重点是现实世界中的问题。 所有编程工作将在Python进行。 完成本课程后，学生将能够：也少于分布假设的方法也被引入，包括交叉验证和非参数方法。学生还将被介绍给文本分类和神经网络。EDEN，历史和工业方面的数据科学，以及机器学习在会计，经济学，财务，信息系统，管理，市场，媒体和社会学等领域的特定应用。本课程的重要部分将涵盖大型语言模型，单词嵌入，情感分析以及将其应用于大型文本库所需的所有相关定量和编程背景。在这些讲座中，我们关注机器学习，文本挖掘和业务交集的最新论文。学生将学习方法论背后的直觉，假设和权衡，重点是现实世界中的问题。所有编程工作将在Python进行。完成本课程后，学生将能够：