אלגוריתמי למידת מכונות משנים את הדרך שבה היסטוריונים וכלכלנים מנתחים נתונים כלכליים היסטוריים.טכניקות מתקדמות אלה מאפשרות לחוקרים לחשוף דפוסים ותובנות שהיו בעבר קשה לזהות באמצעות שיטות סטטיסטיות מסורתיות, לפתוח שדרה חדשה לחלוטין להבנת כלכלות העבר, רשתות הסחר, ומדיניות פיסקלית.על ידי מינוף כוח חישובי דומה, חוקרים יכולים כעת לעבד ארכיונים עצומים של רשומות היסטוריות - החל ממס עתיק שהוביל לאינדקסים מהמאה ה-19 - וגילויים פוטנציאליים, וחוקרים, כדי לחקור תאוריות, בעבר, ולבחון את הטכניקות למידה, בעבר, בעבר, בעבר, שיטות למידה, וגילויים פוטנציאליים, בעבר, וגילויים, וגילויים, וגילויים, הן שיטות למידה, הן יכולות כעת, הן יכולות להיות מסוגלות, החלות, וגילויים, החל מערכיים של שיטות למידה, החל מתיאוריות, בעבר, בעבר, וגילויים של שיטות למידה, וגילויים, החל מערכי איכותיות, החל מערכיים של שיטות למידה, החל מערכיות, החל מערכיות, וגילוי של טכנולוגיות איכותיות, החל מערכיות, החל מערכי מידע, החל מערכיות, החל מערכי תקשורת, החל מערכיות, החל מערכי תקשורת, בעבר, החל מערכיות, בעבר,

מבוא ל Machine Learning בכלכלה היסטורית

למידת מכונה (ML) היא תת-קבוצה של אינטליגנציה מלאכותית הכוללת אלגוריתמים של אלגוריתמים לזיהוי דפוסים בתוך מאגרים גדולים של נתונים כלכליים היסטוריים - כגון כתבי אישום אמיתיים, נפח מסחר, מחירי סחורות או סטטיסטיקות דמוגרפיות - אלגוריתמים אלה מסייעים לזהות מגמות ארוכות טווח, לחזות תנועות עתידיות המבוססות על דפוסים קודמים, ולהבין את הממשק המורכב של גורמים שהניעו שינויים כלכליים על פני מאות שנים.

הכלכלה ההיסטורית התבססה באופן מסורתי על ניתוח נרטיבי, תוקפנות פשוטה, או סטטיסטיקות תיאוריות.ההופעתם של ארכיונים דיגיטליים ומחשוב בעל ביצועים גבוהים יצרה הזדמנות ליישם כלים אנליטיים מתוחכמים יותר, או מאמצים מוקדמים בשנות ה-90 של המאה ה -90 התמקדו בשימוש ברשתות עצביות כדי לחזות את מחירי המניות באמצעות סדרות זמן היסטוריות.היום, חוקרים מתאימים למידה עמוקה, יערות אקראיים, ולתמוך במכונות וקטוריות למגוון כמו ההשפעה הכלכלית של שיטות עבודה אקספוכותרפיות: 1.

סוגים של Machine Learning Algorithms המשמשים

למידה סופר-מעודכן

אלגוריתמים של למידה על-ידי נתונים מתוייגים – כלומר, נתונים שבהם שני תכונות קלט ותיוגים תפוקה מתאימים ידועים. בכלכלה היסטורית, זה נפוץ לחיזוי אינדיקטורים כלכליים.לדוגמה, באמצעות נתונים מפקדי המאה ה-19 על בעלות הקרקע, צפיפות האוכלוסייה ותשתיות תחבורה, מודל בפיקוח יכול לחזות רמות הכנסה אזוריות או תפוקה חקלאית.

למידה בלתי מבוקרת

[הלמידה הבלתי מבוקרת מוצאת מבנים נסתרים או אשכולות בתוך נתונים שבהם אין תוויות מסופקות.בכלכלה היסטורית, טכניקה זו אינה ראויה לזיהוי אזורי כלכלה אזוריים, גושי מסחר, או תקופות של חוסר יציבות פיננסית ללא הנחות קודמות.לדוגמה, אלגוריתמים מקבצים (למשל, k-means, אשכולות היררכיות) החלים על מנת לחשוף נתונים סטטיסטיים על פני אזורים אטומיים (לדוגמה, לדוגמה, לדוגמה, לדוגמה, לדוגמה, כלכלנים) כגון: כלכלנים הפועלים על ידי ניתוח אלגוריתמים של פעולות אלגוריתמיות (DPTD) של אלגוריתמיות, כלומר, לדוגמה, C-D) אשר שימשו, C-DIS) של אלגוריתמיות, לדוגמה, כלומר, C-DIS) של שימוש ב-D) של אלגוריתמיות, C-DIS) של מערכות בקרה תעשייתיות, C-D) אשר שימשו, שימוש ב-DIS) באמצעות אלגוריתמיות, החל מתחום מסחר רב-D.PLT-D.PLTD.F-D.P.P.P.P.P.P.P.P.D.D.

Reinforcement Learning

Reinforcement למידה (RL) כוללת ניתוח למידה אופטימלית באמצעות משפט וטעייה על ידי מיקסום פרס מצטבר.למרות פחות נפוץ בכלכלה ההיסטורית, RL מוחל יותר ויותר על תהליכי קבלת החלטות כלכליות.לדוגמה, החוקרים מדמיינים כיצד סוחר מימי הביניים עשוי להתאים נתיבי מסחר בתגובה להחלפת מכס, פיראטים, וביקוש.

יישומים בניתוח כלכלי היסטורי

תחזית מגמות כלכליות

[האלגוריתמים שהוכשרו על נתונים כלכליים היסטוריים יכולים לחזות תנאים עתידיים, אך הם משמשים גם רטרואקטיביים – מה שהיה קורה תחת תרחישים מנוגדים, על ידי עריכת מודלים על עשרות שנים של נתוני מחירים מאזורים שונים, כלכלנים יכולים להעריך אם השפל הגדול היה בלתי נמנע או אם מדיניות חלופית עשויה להפחית את חומרתו.

דפוס הכרה

מחזורי הדגימה, ההלם או האנומליות במאגרי מידע היסטוריים הוא כוח ליבה של מחזורי ML.טווח ארוך - כגון גלי קונדרטייב (50-60 שנה מחזורים) או מחזורי Juglar (7–11 שנים) - ניתן לזהות באופן אוטומטי מטבלאות שכר ומחיר. אלגוריתמים ML גם מציינים אי סדרים שעשויים להצביע על שגיאות כניסה, הונאה, או אירועים היסטוריים משמעותיים (למשל, מחיר גולגולתי, לדוגמה, של קבוצות למידה מאקרו-כלכליות).

שחזור נתונים

רשומות היסטוריות אינן שלמות לעתים קרובות בשל ארכיונות אבודים, מסמכים פגומים, או מוסכמות הקלטה בלתי עקביות. Machine Learning מספק כלים חזקים למילוי פערים באמצעות מודלים חיזוייים.טכניקה נפוצה היא להשתמש במודל מאומן באזורים או תקופות עם נתונים מלאים כדי למנוע ערכים חסרים באזורים אחרים.לדוגמה, בהתחשב ביחסים הידועים בין צפיפות האוכלוסייה, אקלים, הכנסות מיסוי, מודל ML יכול להעריך קבלה עבור שנים חסרות תקדים, אך לא ניתן לשחזר נתונים אלה.

עיבוד נתונים מאתגר אתגרים

נתונים היסטוריים מגיעים לעתים רחוקות לתבנית נקייה, מכונה-Preprocessing היא לעתים קרובות החלק העוצמתי ביותר של פרויקט.

  • (FLT:0) Data Quality:BuildFLT:1) נתונים היסטוריים עשויים להיות שלמים, בלתי עקביים או מוטים.לדוגמה, רשומות מפקד מתקופות קולוניאליות לעתים קרובות תחת ספירת אוכלוסיות מסוימות. Missing Value, ערכים כפולים ושגיאות תמליל הם נפוצים.רוב מעבדים מראש חייבים להתמודד עם נושאים אלה, לעתים קרובות באמצעות שילוב של ידע וטכניקות ניקוי אוטומטיות.
  • (FLT:0 ; ⁇ ;0) תלויות בנתונים הכלכליים של ML , סטנדרט ML, מניחים שנתוני תפוצה עצמאית זהה (i.d) - הנחה שהופרה על ידי סדרות זמן.אדריכלות מיוחדת כמו זיכרון לטווח קצר (LSTM) רשתות או טרנספורמטים נדרשים ללכוד את הפחתת הרכב ואת המציאות.
  • (FLT:0) Unit of Analysiscio: FLT:1 רשומות היסטוריות משתמשות במטבעות שונים, משקולות וצעדים שונים. Standardizing יחידות (למשל, המרת כל הערכים המוניטריים למטבע משותף באמצעות התאמות אינפלציה) הוא חיוני אך מכוונן עם הנחות על כוח הקנייה היחסי.
  • (FLT:0)Normalization ו Scaling:03: ההרחבה 1 (התכונות של LT:0) יש לדרג את התכונות כדי למנוע מודלים להיות נשלטים על ידי משתנים עם טווחים נומרניים גדולים יותר. Z-score או דרוג מינוס מינוס מינוס בינוני הם אופייניים, אבל הבחירה יכולה להשפיע על הפרשנות המודל.

מקרה מחקרים

Machine Learning and the Great Depression

אחת האפליקציות הנלמדות ביותר היא הניתוח של השפל הגדול (1929-1941) החוקרים הגישו יערות אקראיים כדי לחזות כשלים בבנקים באמצעות נתוני פירעון שנאספו על ידי הבנק הפדרלי.המודל זיהה יחסי מינוף וריכוזים כתכונות החיזוי ביותר - תוך מתן אתגרים מסורתיים של אפליה ליניארית לפני ניתוח קיסרי חדש, לא רק מאמת חשבונות היסטוריים אלא גם מספק עדות כמותית למדיניות: LTF: 2022, 000Afu:

מודלים של הכלכלה הרומית

הכלכלה הרומית, המשתרעת על פני כמה מאות שנים ואזור גיאוגרפי עצום, מציעה נקודת נתונים עשירה אך ידועה לשמצה. Machine Learning הועסקה כדי להעריך את התמ"ג לנפש באמצעות מדדי פרוקסי כגון ספירות ספינות, בניית כתובות, ולהוביל רמות זיהום מליבת קרח.מחקר ציוני דרך השתמש בעבר תהליך Gaussian כדי לנטר את הפרוקסים האלה לאורך זמן ומרחב, לייצר את התמ"ג השנתי הראשון של המאה ה התגלתה על ידי המאה ה -200 לספירה, אם כי לפני כן, לפני כן, לפני כן, החל מ התגלתה ירידה מהירה של המאה ה מאתיים שנה, לפני הספירה, לפני כן, לפני כן, לפני כן, בעוד שהתהליך קיסרית המאה המאוחר יותר מאשר את המאוחר יותר מאשר את המאוחר של המאה המאוחר יותר מאשר את המאוחר יותר מאשר את המאוחר של המאה המאוחר של המאה המאוחר של המאה המאוחר של המאה המאוחר של המאה המאוחר של המאה המאוחר של המאה המאוחר של המאה המאוחר של המאה המאוחר יותר מאשר את המאוחר יותר, לפני כן, 000, 000 לספירה, לפני הספירה לאחור, לפני הספירה, לפני הספירה, לפני הספירה, 000, לפני הספירה, לפני הספירה, 000, 000, 000, 000, לפני כן, לפני כן, 000, 000, 000

מדד הסחר של ימי הביניים

למידה לא מבוקרת שימשה לנתח אלפי רשומות מליגת הנסיאטי (13 מאות שנה) אלגוריתמים קלוסטרינג החלים על מכסי ה-ML ומכתבים מסחריים זיהו באופן אוטומטי גושי מסחר, כגון הקשר בין לבק, המבורג וערים הבלטיות.הקשת של האלגוריתם התאימה באופן הדוק לחשבונות היסטוריים, אימות השיטה.

שיקולים אתיים וקונטקסט היסטורי

החלת למידת מכונה להיסטוריה אינה ללא תקלות.מודלים יכולים להנציח הטיה נוכחת בנתונים המקור.לדוגמה, אם רשומות המס מתעדות באופן שיטתי את הפעילות הכלכלית של נשים או משועבדות אנשים, מודלים של ML "לומדים" כי קבוצות אלה תרמו פחות - החלת רשומות מס באופן שיטתי את הנרטיבים ההיסטוריים הלא מדויקים.

(היתר על הדעת) הוא סיכון קבוע, במיוחד כאשר משתמשים בנתונים היסטוריים קטנים.מודלים של Overpoliident יכולים לייצר קורלציות מעוררות – כגון קישור לצמיחה הכלכלית במאה ה-18 אנגליה למספר שביתות ברקות – שהן בעלות משמעות סטטיסטית אך היסטורית חסרת משמעות: מניעת התפוקה הריגורית של הילרי, ללא בדיקת תגמול, ושילוב של מקורות עזר (למשל, הוכחה היסטורית: 1) יש צורך באלגוריתם:

כיוונים עתידיים

התקדמות בכוח חישובי, דיגיטציה וטכניקות אלגוריתמיות מבטיחות לשפר עוד את היישום של למידת מכונה בכלכלה היסטורית.הזמינות הגוברת של מאגרי נתונים בקנה מידה גדול, מקושרים - כגון FLT:0 Global Datasetsetsmentation InitiativeFLT:1 - יאפשר לחוקרים להכשיר מודלים על אלפי משתנים פרלמנטיים לאורך מאות שנים.We גם לצפות את השילוב של ML עם עיבוד טבעי (NLP) כדי לחלץ באופן אוטומטי של עיתונים לאומנים, לדוגמה, לדוגמה, כגון, 000 שנים.

שיטות AI (XAI) - כגון SHAP (SHapley Additive exPlanations) ו-LIME (הסברים הבין-ממשלתיים-אגנוסטיים מקומיים) - צוברות מערכת יחסים, המאפשרים להיסטוריונים להבין אילו תכונות מניעות תחזיות.זה חיוני לבניית אמון וזיהוי שיטות למידה דיסציפלינריות קריטיות בשילוב עם מודלים המבוססים על ידי סוכן יכול לאפשר לחוקרים לדמות "אם" תרחישים דיגיטליים, כמו גם של אימונים, כמו גם שיטות אימון רומיים, כגון, כגון, כגון, ייתכן שישנויים של שיטות הכשרה דיגיטלית, כמו גם שיטות אימון, כמו גם שיטות אימון ניסיוניים, כמו גם שיטות אימון, כמו גם שיטות אימון מדעי, כמו גם שיטות אימון מדעי, כמו גם שיטות אימון מדעי, כמו גם שיטות אימון מדעי, או יותר, כמו גם שיטות אימון מדעי הרוחבוניים, כמו גם שיטות אימון מדעי, כמו גם שיטות אימון מדעי, כגון, כמו גם שיטות אימון הנדסיות, כמו גם שיטות הכשרה תקופתיים, כגון, כמו גם שיטות למידה קריטיים של שיטות אימון הנדסיות מסורתיות.

מסקנה

למידת מכונות אינה שרביט קסמים שיפתור את כל הבעיות בכלכלה ההיסטורית, אבל זה תוספת רבת עוצמה לערכת הכלים של ההיסטוריון, כאשר הוא מוחל בחשיבה – עם תשומת לב לאיכות הנתונים, לפירוש המודל ושיתוף פעולה בין דיסציפלינות – זה יכול לחשוף התאמות, ליצור היפותזות חדשות, ולהעשיר את ההבנה שלנו של מערכות כלכליות קודמות.