تحليل التعلم الآلي և القرارات الاقتصادية

التعلم الآلي يمكّن تعلم الآلة أجهزة الكمبيوتر من التعلم من البيانات دون أن تكون مبرمجة بوضوح ، لإنشاء نماذج إحصائية من شأنها التقاط أنماط نقل البيانات ، لعمل تنبؤات بناءً على تلك الأنماط. يعد التعلم الآلي مجالًا فرعيًا من الذكاء الاصطناعي ، وهو جزء لا يتجزأ من علوم الكمبيوتر والإحصاء والاقتصاد القياسي ، في الأردن وميتشل 2015.
يشير علم الاقتصاد إلى استخدام الأساليب الكمية للبيانات الاقتصادية ، حيث أنها تستند إلى النمذجة التوضيحية ، وهي طرق إحصائية لاختبار ومعرفة علاقات السبب والنتيجة للظواهر الاقتصادية المختلفة. في المقابل ، فإن “النمذجة التنبؤية” ، التي يُقصد بها التعلم الآلي ، هي عملية تطبيق نموذج إحصائي أو خوارزمية تتعقب سلوك البيانات للتنبؤ بالملاحظات المستقبلية. أوجه التشابه مع الاقتصاد ելի إن توافق الأدوات العملية الحديثة التي تم إنشاؤها فيه يمنح التعلم الآلي مكانًا مستقلاً في أدوات الاقتصاد.
هناك قضايا رئيسية تتعلق بالعلاقة بين القرارات الاقتصادية وتأثيرها على القطاعات الاقتصادية المختلفة. شهدت السنوات الأخيرة انفجارًا في تطبيق تحليل القرار بسبب تطوير أساليب التعلم الآلي ، والتطور الرقمي ، والأساليب القياسية الحديثة التي خضعت لتغييرات كبيرة ، وركزت على إنشاء نماذج متقدمة تساعد في تحقيق نتائج واضحة تساعد في تحليل القرارات الاقتصادية. استخدمهم. ستجيب هذه التحليلات على العديد من الأسئلة الاقتصادية. بالإضافة إلى الكم الهائل من البيانات التي تتيح لنا استخدام هذه التقنية.
أخيرًا ، اكتسبت البيانات الضخمة زخمًا في مجالات الاقتصاد والإحصاء والاقتصاد. التعلم الآلي – البيانات الضخمة مجتمعة – يسمح بالعديد من الرؤى الجديدة حول هذه الموضوعات. نظرًا لقدراتهم التنبؤية الممتازة ، اكتسب التعلم الآلي أخيرًا زخمًا في العديد من العلوم ، حيث يتم تطبيقه على المشكلات الحقيقية ، بما في ذلك التنبؤات الاحتمالية. في كثير من المجالات.
يمكن أن يساعد التعلم الآلي في حل العديد من المشكلات ، بما في ذلك توقع صنع السياسة الاقتصادية. هناك العديد من التحديات التي يواجهها التنبؤ الآلي عند اتخاذ القرارات الاقتصادية ، وهي:
1. التواصل بين خبراء التعلم الآلي والاقتصاديين المتخصصين في تحليل الظواهر الاقتصادية “صناع القرار الاقتصادي”. الهدف هو تقريب المجالات الثلاثة من بعضها بسبب أهمية معرفة مشاكل التنبؤ ونوع التعاون الذي يمكن أن يحلها.
2. كيف يعمل التعلم الآلي للنمذجة التنبؤية القائمة على البيانات يبني النماذج الاقتصادية بناءً على ما يعتمد عليه التعلم الآلي من المعلومات المهمة التي تساعد في بناء نموذج متقدم يوفر تنبؤات قيمة.
3. أخيرًا ، تحديات وقيود التنبؤ بالآلة. وهي تتراوح من التحديات التقنية – البشرية إلى القضايا الأخلاقية – القانونية.
تعلم الآلة ML هو الدراسة العلمية للخوارزميات – النماذج الإحصائية التي تستخدمها أنظمة الكمبيوتر لأداء مهمة محددة دون استخدام تعليمات واضحة. تبني خوارزميات التعلم الآلي نموذجًا رياضيًا يعتمد على نمط البيانات المعروف باسم بيانات التدريب ، والتي تُستخدم لعمل تنبؤات أو اتخاذ قرارات دون أداء مهمة جيدة التخطيط ، أي أنها تفترض طبيعة سلوك البيانات. غالبًا ما تقدم نماذج التعلم الآلي تنبؤات أفضل أو حتى نماذج متعددة. يتم استخدامه للتنبؤ بنتائج القرارات الاقتصادية وعواقبها وعواقبها.
إلى جانب التطوير الرقمي ، يمكن للتعلم الآلي معالجة كميات كبيرة جدًا من البيانات غير القياسية للتقييم القياسي ، بما في ذلك معلومات لغة الصورة التي لم نعتبرها تقليديًا بيانات يمكننا العمل معها ، خاصة في الانحدار. تقوم الأقمار الصناعية بتصوير الأرض منذ عقود ، وهو ما يمكننا الآن القيام به ليس فقط كمتجهات نقطية ، ولكن أيضًا كمدخلات ذات مغزى اقتصاديًا. تتزايد الأدبيات الاقتصادية باستخدام بيانات الأقمار الصناعية ، بما في ذلك كيفية ارتباط الإضاءة الليلية بالإنتاج الاقتصادي (Henderson، Storeigard և Weil 2012) أو التنبؤ بإنتاجية المحاصيل المستقبلية (Lobel 2013). لا تحتوي صور القمر الصناعي بشكل مباشر ، على سبيل المثال ، على غلة المحاصيل. بدلاً من ذلك ، فإنها توفر لنا متجهًا كبيرًا (x) استنادًا إلى صور البيانات ، وتتداخل “تلك الصور بعد ذلك” لإنتاج البيانات التي تشكل المتغير (y). هذه الترجمة لصور القمر الصناعي هي مسألة توقع للسياسة المستقبلية. التعلم الآلي هو الأداة الرئيسية التي يتم من خلالها استخراج وقياس إشارات ذات مغزى اقتصاديًا من هذه البيانات.
تعتبر مصادر البيانات الجديدة هذه ذات أهمية خاصة في حالة عدم وجود بيانات موثوقة حول الأداء الاقتصادي ، كما في حالة الحد من الفقر المستهدف في البلدان النامية أو في تدريب الشبكات العصبية التي تتنبأ بالعواقب الاقتصادية لبيانات الأقمار الصناعية في خمسة بلدان. يوفر التدريب أيضًا تنبؤات اقتصادية تستند إلى بيانات الشبكة واسعة النطاق ، مثل استخدام بيانات الهاتف المحمول لقياس الثروة ، مما يسمح لهم بتحديد مستويات الفقر على المستوى الفردي.
بالطبع ، يمكن استخدام التعرف خارج بيانات الأقمار الصناعية – بما يتجاوز التوقعات المحلية للنتائج الاقتصادية ، على سبيل المثال ، لقياس الإيرادات باستخدام صور الشوارع. نظرًا لأن اللغة توفر مصدرًا قويًا آخر للبيانات ، يمكن أن تكون الاستعلامات عبر الإنترنت منطقية من خلال تصنيفها من خلال التعلم الآلي.

أضف تعليق