Makine öğrenme algoritmaları tarihçiler ve ekonomistlerin tarihsel ekonomik verileri analiz etme şeklini değiştiriyor. Bu gelişmiş teknikler, araştırmacıların geleneksel istatistik yöntemlerini kullanarak daha önce zor olan kalıpları ve öngörülerini ortaya koymalarını sağlıyor ve bu makale uygulamaları, yöntemleri ve gelecekteki ekonomik gelişmeleri araştırıyor.

Tarihsel Ekonomide Makine Öğrenmeye Giriş

Makine öğrenimi (ML), geçmiş kalıpların altında modelleri tanımaya yönelik eğitim algoritmaları içeren bir alt dizi yapay zekadır ve yüzyıllar boyunca ekonomik değişikliklere uygulanan karmaşık interplayici modelleri anlamak.Veri dağılımı, ticaret hacimleri, mal fiyatları, veya demografik istatistikler - algoritmaları, uzun vadeli eğilimleri belirlemede yardımcı olur, gelecekteki hareketleri tahmin edin, özellikle de yüzyıllardır süren ekonomik değişimlere dayanan karmaşık bir dizi faktör.

Tarihsel ekonomi, geleneksel olarak anlatı analizi, basit regresyonlar veya tanımlayıcı istatistiklere dayanıyor. Sayısal arşivlerin ve yüksek performanslı hesaplamaların gelişi, daha sofistike analitik araçların verimliliğini sağlamak için bir fırsat yarattı. 1990'larda endüstri büyümesi için, mikro ağları kullanarak tahmin etmeye odaklandı. Bugün, araştırmacılar, Siyah Ölüm'ın ekonomik etkisi olarak sorularını adapte ediyorlar.

Makine Öğrenme Algoritmalarının Türleri Kullanılır

Süpervize Öğrenmek

Süpervizit öğrenme algoritmaları etiketlenmiş veriler üzerinde eğitilir - bu, her iki giriş özelliği ve ilgili çıktı etiketlerinin de bilindiği gibi veri kümeleri. Tarihsel ekonomide, bu, ekonomik göstergeleri tahmin etmek için yaygın olarak kullanılır.Örneğin, 19. Yüzyıl nüfus yoğunluğu ve ulaşım altyapısı, Avrupa'daki tahıl fiyat dalgalanmalarını tahmin etmek için denetimli bir model.

denetimsiz Öğrenme

Denetimli öğrenme, veri kümeleri içinde gizli yapıları veya kümeleri bulur. Tarihi ekonomide, bu teknik, bölgesel ekonomik bölgeleri, ticaret bloklarını veya finansal istikrarsızlık dönemlerini önceden tahmin etmeden ortaya çıkarmak için paha biçilmezdir.Fort, k-means, hierarşik kümeleme verileri, 19. yüzyılda Roma amfora dağıtım verilerinin farklı pazar bölgelerini ortaya çıkarabilir.

Dondurma Öğrenme Öğrenme Öğrenme

Dondurma öğrenme (RL), bir ajanın, en iyi eylemleri deneme ve hata yoluyla en iyi şekilde öğrenmesini içerir. Tarihi ekonomide daha az yaygın olsa da, RL, geçmiş ekonomik karar verme süreçlerine giderek daha fazla uygulanır.Örneğin, araştırmacılar, erken modern transatlantik ekonominin dinamiklerini incelemek için bir şekilde ticaret rotalarını nasıl uyarlayabilirler.

Tarihsel Ekonomik Analiz Uygulamaları

Ekonomik Trend Öndiksiyon

Tarihsel ekonomik veriler üzerinde eğitilmiş algoritmalar gelecekteki koşulları tahmin edebilir, ancak aynı zamanda retroaktif olarak kullanılırlar - karşıt senaryolarda ne olacağını tahmin ediyorlar.Farklı bölgelerden gelen eğitim modelleri ile ekonomistler, Büyük Depresyonun kaçınılmaz olup olmadığını değerlendirebilirler. [...]Dönetici:0).A 2019'da yapılan inceleme)))

Şekil Tanımlama

Tarihteki veri kümelerinde şoklar veya anormallikler, veri girişi hataları, dolandırıcılık veya önemli tarihsel olaylar (örneğin, savaş nedeniyle ani fiyat artışları) veya Juglar döngüleri (7–11 yıl) - otomatik olarak ücret ve fiyat serisine tespit edilebilir. ML algoritmaları aynı zamanda makro işlerden gelen farkları gösterir.

Data Reconstruction

Tarihsel kayıtlar, arşivleri, hasarlı belgeler veya tutarsız kayıt sözleşmeleri nedeniyle genellikle eksik değildir. Makine öğrenimi tahmin edilebilir modelleme yoluyla boşlukları doldurma için güçlü araçlar sağlar. Ortak bir teknik, diğer alanlarda eksik olan değerleri tamamen kullanmak için bir model kullanmaktır. Örneğin, nüfus yoğunluğu, iklim ve vergilendirme gelirleri arasında bilinen ilişki için, bir ML modeli, eksik kayıtlarla yıllarca vergi makulmasını öngörür. Deep learning methods, like jeneratif web siteleri.

Data Preprocessing Challenges

Tarihsel veriler nadiren temiz, makine hazır bir formatta gelir. Preprocessing genellikle bir projenin en yoğun kısmıdır. Anahtar zorluklar şunları içerir:

  • [FONT:0)Data Quality:[Dönetici:[Dönetici:0) Tarihsel veriler eksik, tutarsız veya önyargılı olabilir. Örneğin, sömürge dönemlerinden yapılan notlar genellikle belirli nüfusların altında sayılır. Eksik değerler, tekrarlanan girişler ve transkript hatları yaygındır. Robust preprocessing boru hatları bu sorunları ele almalıdır, genellikle alan bilgisi ve otomatik temizlik tekniklerinin bir kombinasyonu ile.
  • [FONT=0]Temporal Bağımlılığı: [Dönetici: [Dönetici: 0,4] Ekonomik veriler, otomatikleştirme ve mevsimsellik yakalamanız için doğal olarak zamana bağlı.
  • [[Düzücü:0) Analiz:[Döneticiler, ağırlıklar ve önlemler. Standartlaştırma birimleri (örneğin, tüm para değerleri enflasyon düzenlemeleri kullanarak ortak bir para birimine dönüştürmek) temel ama göreceli satın alma gücü hakkında varsayımlarla doludur.
  • [FONT:0) Normalleşme ve Scaling:[Dönetici:[Dönetici:0) Özellikler, modellerin daha büyük sayısal aralıklarla hükmetmesini engellemek için ölçeklendirmeli olmalıdır. Z-print standardizasyon veya min-max ölçeklendirme tipikdir, ancak seçim modellemeyi etkileyebilir.

Vaka Çalışmaları

Makine Öğrenmesi ve Büyük Depresyon

En yoğun olarak incelenen uygulamalardan biri Büyük Depresyonun analizi (1929-1941). Araştırmacılar, Federal Rezerv tarafından toplanan bilanço verilerini kullanarak banka başarısızlıklarını tahmin etmek için rastgele ormanlar uyguladılar.The model specified kaldıraç oranları ve depozito konsantrasyonları en tahmin edici özellikler olarak tespit etti - notu geleneksel lineer ayrımcı analizler.Bu sadece tarihsel hesapları doğrulamıyor ancak aynı zamanda ABD'nin ilerlemelerini ortaya çıkarmak için sayısal kanıtlar sağlıyor.

Roma Ekonomisini Modelleme

Roma ekonomisi, birkaç yüzyıl boyunca ve geniş bir coğrafi alanı yayıyor, zengin ama ünlü bir şekilde veri kümesine geri dönmeleri için kullanılan bir alan sunuyor. Makine öğrenimi, gemidekiler gibi proxy değişkenlerini kullanarak, bina yazıtları ve daha önce tahmin edilen 2. yüzyıl boyunca ekonomik aktivitede artış gösteriyor - ve bu tür üçüncü yüzyıldan bu tür belirsizlikleri ortaya çıkarabilir.

Ortaçağ Ticareti Deseni

Denetimsiz öğrenme, Lübeck, Hamburg ve Baltık şehirleri arasındaki ilişkiyi otomatik olarak tespit etti. Algoritma kümeleri, yöntemi yakından takip etti, bu durumda ML'nin Hollanda'yı Vistula Nehri aracılığıyla Novgorod'a bağlayan daha ilginç bir ticaret rotası tespit edildi.

Etik düşünceler ve Tarihsel Tartışmalar

Örneğin, tarihe yönelik makine öğrenimi, bu grupların daha az katkıda bulunamaması değildir. Referanslar, temel sinir ağları gibi karmaşık modeller genellikle “kara kutular” olarak değerlendiriliyorsa, belirli bir tahminin neden yapıldığını anlamak zorlaşır. Tarihsel araştırmalar için, açıklayıcı güç tahmin edici bir doğruluk olarak önemlidir.

Overfitting, özellikle küçük tarihi veri setlerini kullanırken sürekli bir risktir. Overconfident modelleri şaşırtıcı korelasyonlar üretebilir - 18. yüzyılda İngiltere'nin bu riskleri azaltmak için gerekli olan, istatistiksel olarak anlamlı ama tarihsel olarak anlamsız. - Hilary Davidson tartışmadan, dışsal testlerden ve yardımcı kaynakların (örneğin, arkeolojik kanıtlar) alıntılar için gerekli değildir.[değiştirmeler.[değiştir | kaynağı değiştir]

Future Yol Tarifi

Hesaplama gücü, sayısallaştırma ve algoritma teknikleri, tarihsel ekonomide makine öğreniminin uygulanmasını daha da artırmaya söz veriyor. Büyük ölçekli, bağlantılı veri setleri -örneğin, küresel Tarihsel Veri kümes inisiyatifi) gibi - araştırmacıların yüzyıllar boyunca binlerce değişkene odaklanmalarına izin verecek. Ayrıca, 18. yüzyıl gazetelerinden yapısal olarak ekonomik verileri elde etmek için (NLP) yapılandıran metinlerden (örneğin, ticaret tartışmalarına izin verebilir.

Açıklanabilir AI (XAI) yöntemleri - SHAP (SHapley Katkıları) ve LIME (Local Interpretable Model-agnostic Explanations) - yol katlama, tarihçilerin hangi özellikleri kontrol etmesini sağlamak ve kritik yorumlamaları sağlamak için gerekli olan reformlar.

Sonuç Sonuç Sonuç Sonuç Sonuç Sonuç Sonuç Sonuç

Makine öğrenimi, tarihsel ekonomideki tüm sorunları çözecek bir sihir değildir, ancak bu makalede verilen çalışmalar, Roma GSYİH'sini yeniden inşa etmek ve ortaçağ ticaret yollarını keşfetmenin önemine dikkat edin. Veri kümeslemeleri ve algoritmaların geliştirilmesine dikkat edin, tarihsel ekonomik dinamiklerin bilgi birikimimizi arttırmak için potansiyel olarak zenginleştirir.