AI智能体1小时完成文本分析、因果机器学习！

• 介绍机器学习在经济学、管理学和社会科学实证研究中的主要用途，区分预测分析、变量构建和因果效应估计三类研究任务。
• 理解监督学习的基本原理，区分回归任务与分类任务，掌握特征变量、目标变量、样本、模型和损失函数等基本概念。
• 掌握结构化数据的基本处理方法，包括缺失值处理、异常值识别、变量标准化、分类变量编码、交互项构建与特征筛选。
• 介绍训练集、验证集和测试集的作用，理解过拟合、欠拟合、泛化能力和数据泄漏等基本问题。

• 正则化线性模型： 从普通线性回归出发，介绍Lasso、Ridge和弹性网络的基本原理，理解正则化、变量筛选与模型复杂度控制。
• 非线性机器学习模型： 介绍支持向量机、决策树等方法，理解非线性关系识别及分类与回归任务中的模型选择。
• 集成学习模型： 从单棵决策树过渡到随机森林，再介绍梯度提升、XGBoost和LightGBM等方法，理解Bagging、Boosting与集成学习的基本思想。
• 结合不同数据结构、样本规模和研究目标，比较各类模型的适用场景、主要优势与局限。

• 介绍模型训练与验证的完整流程，理解交叉验证、网格搜索、随机搜索、贝叶斯优化和Optuna超参数优化的基本原理。
• 掌握回归预测模型评价指标，包括MAE、MSE、RMSE、R²，以及分类预测模型评价指标，包括准确率、精确率、召回率、F1、ROC-AUC和混淆矩阵。
• 介绍模型诊断与解释方法，包括学习曲线、验证曲线、特征重要性、部分依赖图、SHAP和LIME等方法。
• 理解预测精度与模型解释之间的区别，掌握机器学习模型比较、结果判断与规范化报告的方法。

• 区分相关关系、预测关系与因果关系，理解为什么机器学习预测能力强不代表能够直接识别因果效应。
• 介绍潜在结果框架、处理变量、结果变量、控制变量、混杂因素和因果识别假设等核心概念。
• 理解平均处理效应ATE与条件平均处理效应CATE的含义，区分平均因果效应估计与异质性因果效应识别。
• 介绍机器学习进入因果推断的基本思路，以及双重机器学习和因果森林各自解决的主要问题。

• 从传统回归中的高维控制变量、模型设定偏差和机器学习正则化偏差问题出发，理解双重机器学习的研究动机。

• 讲解残差化、Neyman正交化与K折交叉拟合的基本原理，理解DML如何结合机器学习与因果效应估计。

• 介绍部分线性模型、交互式模型和双重稳健学习，重点掌握LinearDML、SparseLinearDML等常用方法。

• 理解如何选择Lasso、Ridge、随机森林、梯度提升、XGBoost、LightGBM等算法作为第一阶段学习器。

• 介绍结果变量、处理变量、控制变量、异质性特征、工具变量和面板分组变量的设定方法，以及ATE、CATE、工具变量处理效应和动态处理效应的估计思路。

• 介绍DML中的统计推断与稳健性检验，包括异方差稳健、HAC与聚类推断、更换基学习器、调整交叉拟合方案、重叠性检验、安慰剂检验、敏感性分析及多模型比较，并根据估计方法选择适用的推断方式。

• 从平均处理效应ATE过渡到异质性处理效应CATE，理解为什么同一政策或处理对不同企业、地区及群体可能产生不同影响。

• 从传统决策树、随机森林引入因果树和因果森林，理解预测森林与因果森林在研究目标上的区别。

• 介绍因果森林与广义随机森林GRF的核心思想，包括样本分割、诚实估计、子样本抽样、局部矩条件与CATE估计。

• 基于EconML介绍CausalForestDML等方法，理解不同处理变量与工具变量情境下的异质性效应估计。

• 介绍二元处理、多类别处理、连续处理及工具变量情形下的因果森林建模思路。

• 讲授CATE预测、平均处理效应汇总、个体处理效应排序、异质性分组、特征重要性分析、解释性因果树，以及处理效应分布、置信区间和分组效应图形的解释方法。

• 机器学习预测Skill： 通过自然语言指令自动完成数据清洗、特征筛选、模型训练、交叉验证、参数优化、模型比较、预测结果输出及图表绘制。

• 双重机器学习Skill： 智能识别研究中的处理变量、结果变量和控制变量，自动配置第一阶段学习器，执行交叉拟合、处理效应估计、统计推断与稳健性检验。

• 因果森林Skill： 自动完成模型配置、因果森林训练、CATE预测、分组异质性分析、处理效应可视化与结果报告。

• 模型结果检查： 掌握自动分析结果的检查方法，包括变量设置核验、模型适用性判断、数据泄漏检查、估计结果解释与论文规范化输出。

• 介绍非结构化数据在经济学、管理学和社会科学实证研究中的主要应用，理解文本、图像和音频数据与传统结构化数值数据的区别。

• 讲解非结构化数据变量构建的基本逻辑：原始资料获取 → 数据预处理 → 特征提取 → 指标量化 → 测量质量评价 → 与实证数据匹配。

• 理解词频、文本主题、语义相似度、视觉特征和声学特征等变量的测量含义，以及如何根据研究问题选择合适的变量构建方法。

• 介绍非结构化数据的研究单位、变量聚合层级和数据匹配方法，理解如何将文本、图片和音频指标转化为企业、个人或地区层面的结构化实证变量。

• 介绍文本数据的获取与预处理，包括PDF文字版与扫描版OCR识别、中英文分词jieba/pkuseg/nltk、停用词过滤、词性标注、命名实体识别、正则表达式文本清洗与断句。

• 从关键词匹配和词频统计入手，讲解词袋模型Bag-of-Words和TF-IDF的基本原理，理解如何通过词语出现频率构建文本指标。

• 介绍文本可读性指数、文本长度、句子复杂度等文本特征，以及余弦相似度、Jaccard相似度等传统文本相似性测量方法。

• 讲解LDA主题模型的基本思想，以及如何通过主题权重和篇幅比例构建研究变量。

3. 文本语义分析、机器学习分类与向量化方法

• 从传统词频方法的局限出发，介绍Word2Vec、Doc2Vec和词嵌入的基本原理，理解词语与文档如何表示为数值向量。

• 介绍BERT、ERNIE、Sentence-BERT等预训练语义表示模型，理解句嵌入、语义相似度和文本语义匹配的基本思想。

• 介绍BERTopic主题建模，理解语义向量与传统主题模型的区别。

• 讲解监督学习文本分类的基本流程，包括人工标注、训练样本构建、文本向量化、分类器训练和模型评价。

• 比较关键词、词袋模型、TF-IDF、传统机器学习与Embedding方法在文本分类中的适用性。

4. 大语言模型驱动的文本实证变量构建

• 在传统文本分析与语义表示方法的基础上，介绍GPT、Qwen、DeepSeek等大语言模型进行文本测量的基本原理。

• 讲解Prompt设计、文本分类任务描述、标签定义、少样本示例、结构化输出和结果解析等方法。

• 介绍大语言模型在文本情感与情绪指标、主题分类与匹配、实体关系抽取与计量、文本相似度、记录连接和可读性评估中的应用。

• 比较传统词典方法、机器学习方法、Embedding方法和大语言模型方法在变量构建中的差异。

• 介绍批量API调用、异步请求、速率控制、Token成本估算与优化等大规模文本处理技术。

• 情感分析专题：包括情感词典得分、机器学习拟合、LLM 自动判断，理解情感指标的构建逻辑。

5. 图像数据特征提取与实证变量构建

• 介绍图像数据的基本表示方式，以及图像像素、颜色、纹理、形状与深度视觉特征的测量含义。

• 讲解图像数据预处理方法，包括格式转换、尺寸标准化、颜色空间变换和数据增强。

• 介绍颜色直方图、颜色复杂度、纹理特征GLCM、形状特征HOG等传统视觉特征提取方法。

• 介绍预训练CNN、ResNet等图像模型的特征抽取方法，理解如何利用已有视觉模型构建数值化图像指标。

• 介绍面部表情特征识别及年龄估计等图像分析任务，理解图像测量指标与实际心理状态、个体属性之间的区别。

• 介绍图像变量的可视化与解释，包括特征分布图、t-SNE/PCA降维图、注意力热力图和识别结果标注图。

6. 音频数据特征提取与实证变量构建

• 介绍音频数据的基本原理，理解声音波形、频率、振幅、音高、语速和停顿等声学信息。

• 讲解音频数据预处理，包括重采样、音频切割、噪声抑制和音量标准化。

• 介绍短时能量、过零率、频谱特征、MFCC系数、音高与基频F0等声学特征。

• 介绍语速、停顿、声音变化及语音情感识别等指标构建方法，理解如何将音频特征转化为结构化变量。

• 讲解波形图、频谱图和声学特征分布图的绘制与解释，以及音频指标在管理者行为、沟通方式和情绪研究中的应用。

7. 非结构化数据指标质量验证与实证数据整合

• 介绍变量构建中的人工标注、参考标准、抽样复核、测量一致性和指标有效性评价。

• 讲解文本、图像和音频特征的异常值检测、提取稳定性分析及人工复核。

• 介绍不同模型、不同提示词和不同提取方法之间的结果一致性比较。

• 讲解非结构化指标在企业、个人、地区和时间维度上的聚合，以及与面板数据的匹配方法。

• 介绍如何将构建的变量接入回归分析、机器学习预测、双重机器学习和因果森林模型。

8. 非结构化数据变量提取Skill一键实现

• 文本变量提取Skill： 自动完成PDF解析、文本清洗、词频统计、TF-IDF、主题识别、情感测量和语义相似度计算。

• 文本语义与大模型Skill： 自动调用Embedding模型或大语言模型，完成文本分类、语义匹配、变量提取、批量处理与结构化结果导出。

• 图像变量提取Skill： 自动完成图片预处理、图像特征识别、变量量化、结果标注及论文级图表输出。

• 音频变量提取Skill： 自动完成音频预处理、声学特征提取、指标计算、可视化及结果导出。

• 变量质量检查与数据整合： 自动生成测量结果诊断报告、异常值标记和人工复核清单，并将提取结果整理为可用于实证分析的结构化数据集。

• 介绍复杂网络在经济学、管理学和社会科学中的应用，理解企业供应链网络、国际贸易网络、社会关系网络和信息传播网络等研究对象。

• 讲解节点、边、方向、权重和网络拓扑等基本概念，区分有向网络、无向网络、加权网络和动态网络。

• 介绍边列表、邻接矩阵和DataFrame等常见网络数据形式，理解如何将主体之间的关系数据转换为网络。

• 讲解网络数据预处理，包括实体名称标准化、歧义消除、重复关系处理和关系权重设定。

2. 网络结构分析与节点指标计算

• 介绍网络整体结构指标，包括网络密度、平均路径长度、聚类系数、网络直径和连通分量等，理解不同指标反映的网络结构特征。

• 讲解节点中心性指标，包括度中心性、中介中心性、接近中心性、特征向量中心性和PageRank，理解不同中心性指标对应的经济学和管理学含义。

• 介绍结构洞指数、K-core分解等指标，理解网络中关键节点、桥梁节点和核心群体的识别方法。

• 讲解网络结构与节点指标的可视化方法。

• 介绍如何将企业、国家或个体层面的网络指标转换为结构化变量，并匹配到实证研究的面板数据。

3. 社区发现与动态网络分析

• 从网络整体结构和节点特征过渡到群体结构，理解网络社区、群体聚集和模块化等基本概念。

• 介绍Louvain、Leiden、Girvan-Newman、标签传播、Infomap和谱聚类等社区发现方法的基本原理与适用场景。

• 讲解模块度Modularity、轮廓系数Silhouette和社区一致性Conductance等社区结构评价指标。

• 介绍动态网络分析，包括时间切片网络构建、网络整体指标变化、节点中心性变化和社区归属变化。

• 讲解社区稳定性、社区分裂与合并、社区生命周期等动态网络分析任务。

• 介绍时序网络演化动画、社区演化桑基图和节点演化轨迹图等可视化方法。

4. 基于主体的建模ABM与多智能体仿真

• 从网络形成模型进一步过渡到主体行为与系统动态演化，介绍基于主体的建模Agent-Based Modeling（ABM）的基本原理。

• 讲解ABM模型的核心组成，包括主体Agent、个体属性、行为规则、交互网络、环境状态和时间演化机制。

• 介绍从传统规则驱动ABM到生成式智能体仿真GABM、社会智能体仿真SABM的基本思路，理解大语言模型在主体决策与行为模拟中的作用。

• 介绍如何构建具有不同属性、行为规则和交互机制的多主体仿真环境，以及如何设定仿真参数和开展重复模拟。

• 讲解多主体情景实验、博弈论实验、社会系统模拟、社交网络信息传播和群体行为演化等应用场景。

• 结合复杂关系网络，分析不同网络结构、主体行为规则和交互机制如何影响信息传播、合作行为与系统演化。

• 介绍仿真结果的稳定性检验、敏感性分析、情景比较和可视化方法，理解模拟结果与真实世界因果证据之间的区别。

5. 复杂网络分析与ABM仿真Skill一键实现

• 网络构建与指标计算Skill： 通过自然语言指令读取关系数据，自动构建网络、计算整体结构指标和节点中心性，并生成网络可视化图形。

• 社区与动态网络分析Skill： 自动完成社区发现、动态网络构建、节点演化追踪、社区变化识别及可视化。

• ABM多主体仿真Skill： 通过自然语言指令配置主体属性、行为规则、网络结构和情景参数，自动完成多轮仿真、情景比较、结果汇总与可视化。

• 网络变量与仿真结果输出： 将网络结构指标匹配至实证研究数据，并导出仿真结果、统计图表及规范化分析报告。

1. 从零开始的顶刊论文复刻流程与任务拆解

• 选择目标顶刊论文，拆解研究问题、理论假设、研究设计、数据来源、变量构建方法和核心实证模型。

• 从零搭建论文复刻项目，完成科研环境配置、项目目录建立、原始数据获取、文件整理与复刻任务规划。

• 根据目标论文的研究方法，调用前面专题学习的机器学习、因果推断、非结构化变量提取或网络分析Skill，构建完整复刻技术路线。

• 以原论文的主要结果为基准，明确核心变量、回归模型、识别策略、关键表格及图形的复刻目标。

2. 多智能体协作完成完整论文实证分析流程

• 介绍多智能体如何分工协作完成从选题到论文复刻的完整科研任务，实现论文选题 → 文献综述 → 数据获取 → 数据处理 → 变量构建 → 因果估计 → 结果检验 → 自动写作。

• 根据复刻任务设置文献研究Agent、数据处理Agent、变量构建Agent、实证分析Agent和论文写作Agent，构建协同科研工作流。

• 通过Skill组合调用，实现跨任务的数据衔接、代码执行、结果检查与自动化分析。

3. 论文复刻结果验证与科研成果输出

• 将复刻结果与原论文中的核心回归结果、变量指标、图表及实证结论进行对照。

• 对复刻过程中出现的样本差异、变量偏差、模型设定差异及估计结果差异开展诊断。

• 自动整理变量构建代码、实证分析脚本、模型结果、统计图表及结果解释，形成可复核的论文复刻成果。

• 在完成核心结果复刻的基础上，探索研究方法迁移、模型替换和扩展分析。

赠送价值1999的科研代码会员五年版，并教学如何使用这些代码和Skill。【科研代码库】用大语言模型、AI智能体Skill革新科研数据分析主流方法。将 DID、PSM、断点回归、时间序列、BERT 微调、LLM 文本标注等常用方法整理为可运行、可复现、可修改的200余份标准代码。 并包含300+高效教学及科研常用方法的Skill：

• 论文写作skill：论文写作、题目拟定、摘要写作、引言写作、理论框架、概念界定、英文学术写作、学术语言润色

• 文献研究skill：文献检索、检索式设计、系统性综述、元分析、文献计量、科学知识图谱、研究热点识别、研究空白识别

• 研究设计skill：研究设计、研究范式、研究问题、变量操作化、量表开发、实验设计、因果识别、内生性处理

• 基金/项目skill：基金项目、基金申报、项目选题、科学问题凝练、技术路线、结项报告

• 数据采集skill：数据采集、问卷调研、深度访谈、田野调查、微观调查数据库、多模态数据、社交媒体数据

• 数据处理skill： 数据清洗、缺失值插补、异常值处理、数据匹配、实体消歧、文本预处理、数据脱敏

• 数据分析（计算社会科学）skill：回归、面板模型、工具变量、双重差分 DID、合成控制法、倾向得分匹配、因果推断、中介/调节效应、Bootstrap、稳健性/安慰剂检验、结构方程、机器学习、深度学习、随机森林、梯度提升、支持向量机、双重机器学习、因果森林、大语言模型、文本分析 NLP、主题模型、词向量嵌入、信息抽取、社会网络分析/复杂网络、空间计量、地理加权回归、贝叶斯分析、知识图谱、QCA、综合评价/DEA、投入产出、ABM 建模、系统动力学、数据可视化等

• 质性研究skill：质性研究、扎根理论、编码分析、话语分析、民族志、过程追踪

• 混合方法skill：混合方法、三角互证、联合展示表

• 投稿发表skill：投稿发表、目标期刊筛选、审稿意见回复、预印本发布

• 3人拼团价：1699元/人
• 原价：2499元/人