ЭКОНОМЕТРИКА В ЭПОХУ ЦИФРОВИЗАЦИИ: ИНТЕГРАЦИЯ МАШИННОГО ОБУЧЕНИЯ Текст научной статьи по специальности «СМИ (медиа) и массовые коммуникации»

Создание и успешный запуск национального искусственного спутника стали важным событием в истории нашего государства. Запуск спутника призван дать мощный импульс ускоренному развитию телекоммуникационный системы, успешному выполнению социально - экономических задач. Это событие ещё более укрепляет статус Туркменистана в качества развитого международного центра информации и современных коммуникаций, надежного моста между Востоком и Западом.

Искренне пожелаем национальному Лидеру туркменского народа Герою Аркадагу, Президенту Аркадаглы Герою Сердару создающим широкие возможности для молодого поколения крепкого здоровья, долголетия и успехов в своих великих делах. Список использованной литературы:

1. Верн, Ж. С Земли на Луну; Вокруг Луны / Ж. Верн; перевод М. Вовчок; послесловие М. Васильева, К. Станюковича. - Алма-Ата: Казгослитиздат, 1956. - 348 с.

2. Иванов, В.П., Н. Н. Поликарпов - главный конструктор ракетной техники / В. П. Иванов. - Текст: электронный // Аэрокосмическая техника, высокие технологии и инновации. - 2022. - Т. 1. - С. 77-81. -URL: https://www.elibrary.ru/item.asp?id=50367626 (дата обращения: 10.04.2023). - Режим доступа: для зарегистрированных пользователей ООУНБ им. Н. К. Крупской.

3. Губарев, В.С. Утро космоса: Королев и Гагарин / В. С. Губарев. - Москва.: Молодая гвардия, 1984. - 191 с.: ил. - (Люди и космос).

© Шыхыева О., Атамурадова Е. А., Оразов П.А., 2024

УДК 519.86

Ягмыров Х., старший преподаватель, Туркменский государственный институт экономики и управления,

г. Ашхабад, Туркменистан Атаева Э.С., преподаватель, Туркменский государственный университет имени Махтумкули,

г. Ашхабад, Туркменистан

ЭКОНОМЕТРИКА В ЭПОХУ ЦИФРОВИЗАЦИИ: ИНТЕГРАЦИЯ МАШИННОГО ОБУЧЕНИЯ

Аннотация

Данная работа исследует современные тенденции в области эконометрики в контексте цифровизации экономики. Она фокусируется на интеграции методов машинного обучения для анализа экономических данных и прогнозирования в условиях быстро меняющейся цифровой среды. Работа обсуждает преимущества и вызовы такой интеграции и предлагает перспективы развития этого направления.

Ключевые слова

Эконометрика, цифровизация, машинное обучение, анализ данных, прогнозирование.

Yagmyrov H., senior Lecturer, Turkmen State Institute of Economics and Management,

Ashgabat, Turkmenistan Atayeva E.S.

Lecturer, Magtymguly Turkmen State University, Ashgabat, Turkmenistan

ECONOMETRICS IN THE AGE OF DIGITIZATION: INTEGRATION OF MACHINE LEARNING

Annotation

This work explores current trends in the field of econometrics in the context of digitalization of the economy. She focuses on integrating machine learning techniques for economic data analysis and forecasting in a rapidly changing digital environment. The work discusses the advantages and challenges of such integration and offers prospects for the development of this area.

Keywords

Econometrics, digitalization, machine learning, data analysis, forecasting.

Эконометрика, пересечение экономики, математики и статистики, уже давно играет важную роль в анализе экономических явлений, оценке взаимосвязей и составлении прогнозов на основе эмпирических данных. С приходом цифровизации доступность огромных объемов данных и распространение вычислительных ресурсов изменили практику эконометрики, открыв новые возможности для исследований и анализа. В частности, интеграция методов машинного обучения стала многообещающим подходом к повышению предсказательной силы и гибкости эконометрических моделей, позволяя экономистам выявлять сложные закономерности и взаимосвязи в данных, которые традиционные методы могут не заметить.

Машинное обучение, подобласть искусственного интеллекта, включает в себя разнообразный набор алгоритмов и методов, которые позволяют компьютерам учиться на данных и делать прогнозы или решения без явного программирования. В контексте эконометрики машинное обучение предлагает множество возможностей для улучшения моделирования и анализа экономических данных, особенно в областях, характеризующихся многомерными данными, нелинейными отношениями и сложными взаимодействиями. Используя передовые алгоритмы, такие как нейронные сети, машины опорных векторов и ансамблевые методы, экономисты могут извлекать ценную информацию из больших наборов данных, выявлять скрытые закономерности и повышать точность экономических прогнозов.

Одним из ключевых преимуществ интеграции машинного обучения в эконометрику является его способность обрабатывать сложные нелинейные связи между переменными. Традиционные эконометрические модели, такие как линейная регрессия, ограничены в своей способности улавливать сложные взаимодействия и нелинейности, присутствующие в реальных экономических данных. Алгоритмы машинного обучения, с другой стороны, способны моделировать очень сложные отношения, не налагая строгих параметрических предположений, что позволяет экономистам раскрывать нюансы закономерностей и динамики экономических явлений. Такие методы, как деревья решений, случайные леса и нейронные сети, превосходно фиксируют нелинейности и взаимодействия, обеспечивая более точное и гибкое моделирование экономических отношений.

Кроме того, машинное обучение предлагает мощные инструменты для выбора функций и уменьшения размерности, что является важными задачами эконометрического анализа, особенно при работе с многомерными данными. Алгоритмы выбора признаков, такие как LASSO и гребневая регрессия, автоматически определяют наиболее важные переменные для прогнозирования экономических результатов, снижая риск переобучения и улучшая интерпретируемость модели. Методы уменьшения размерности, такие как анализ главных компонентов (PCA) и t-распределенное стохастическое встраивание соседей (t-SNE), помогают экономистам визуализировать и понять основную структуру сложных наборов экономических данных, облегчая исследовательский анализ данных и генерацию гипотез.

Более того, машинное обучение позволяет экономистам включать неструктурированные источники данных, такие как текст, изображения и данные социальных сетей, в эконометрические модели, расширяя масштаб и глубину экономического анализа. Например, методы обработки естественного языка (НЛП) позволяют экономистам анализировать текстовые данные из новостных статей, сообщений в социальных сетях и экономических отчетов, извлекая настроения, темы и тенденции, которые могут повлиять на

экономическое поведение и результаты. Аналогичным образом, алгоритмы компьютерного зрения могут анализировать визуальные данные, такие как спутниковые изображения или финансовые диаграммы, для извлечения ценной информации об экономической деятельности, инфраструктуре и условиях окружающей среды. Интегрируя эти разнообразные источники данных в эконометрические модели, экономисты могут получить более полное понимание экономических явлений и повысить точность своих прогнозов и политических рекомендаций.

Однако интеграция машинного обучения в эконометрику также создает проблемы и ограничения, которые необходимо решить. Одной из основных проблем является интерпретируемость моделей машинного обучения, в которых точность прогнозирования часто отдается предпочтение прозрачности модели. В отличие от традиционных эконометрических моделей, основанных на явных математических уравнениях, модели машинного обучения могут быть непрозрачными и трудными для интерпретации, что усложняет экономистам понимание основных механизмов, лежащих в основе прогнозов. Кроме того, алгоритмы машинного обучения могут быть склонны к переобучению, особенно при применении к небольшим или зашумленным наборам данных, что приводит к чрезмерно оптимистичным оценкам и ненадежным прогнозам. Решение этих проблем требует тщательной проверки модели, тестирования ее надежности и разработки интерпретируемых методов машинного обучения, адаптированных к конкретным требованиям эконометрического анализа.

Список использованной литературы:

1. Wooldridge, J. M. (2015). Introductory Econometrics: A Modern Approach. Cengage Learning.

2. Varian, H. R. (2014). Big Data: New Tricks for Econometrics. Journal of Economic Perspectives, 28(2), 3-27.

3. Athey, S., & Imbens, G. W. (2019). Machine Learning Methods That Economists Should Know About. Annual Review of Economics, 11(1), 685-725.

© Ягмыров Х., Атаева Э., 2024

УДК 004.89

Ярашов У.

Студент факультета коммунальной инфраструктуры и инженерных систем Институт инженерно-технических и транспортных коммуникаций Туркменистана

Ашхабад, Туркменистан Гапбаров М.

Студент факультета цифровых технологий и кибербезопасности Институт инженерно-технических и транспортных коммуникаций Туркменистана

Ашхабад, Туркменистан Аллануров С.

Преподаватель факультета цифровых технологий и кибербезопасности Институт инженерно-технических и транспортных коммуникаций Туркменистана

Ашхабад, Туркменистан Арджиков Д.

Студент факультета цифровых технологий и кибербезопасности Институт инженерно-технических и транспортных коммуникаций Туркменистана

Ашхабад, Туркменистан

ИСКУССТВЕННЫЙ ИНТЕЛЛЕКТ В КИБЕРЗАЩИТЕ Аннотация

Без значительной автоматизации люди не могут справиться со скоростью процессов и объемом