一、机器学习在量化领域应用

机器学习在量化领域应用的现状与未来

随着科技的迅猛发展和大数据时代的到来，机器学习技术在各个行业中的应用越来越广泛，其中在量化领域的应用尤为突出。量化领域是金融领域的一个重要分支，利用数学、统计学和计算机技术等工具进行金融建模和交易策略设计。机器学习作为一种强大的数据分析工具，为量化交易提供了全新的思路和方法。

机器学习在量化领域的应用案例

在金融市场的实时交易中，机器学习算法可以帮助交易员更好地理解市场动态，并作出更准确的决策。通过分析历史数据和实时数据，机器学习模型可以识别交易机会、量化风险并优化交易策略。例如，利用机器学习算法可以构建股票价格预测模型，帮助投资者制定买卖策略，提高交易的成功率。

除了股票市场，机器学习在期货、外汇、数字货币等金融领域也有着广泛的应用。通过分析不同资产间的相关性、市场情绪指标等数据，机器学习可以帮助交易员更好地把握市场脉搏，降低交易风险，提高收益率。

机器学习在量化交易中的挑战与机遇

尽管机器学习在量化领域的应用前景看好，但也面临着一些挑战。首先，金融市场的复杂性导致数据量大、维度高，需要强大的计算能力和高效的算法来处理这些数据。其次，金融市场的波动性较大，传统的机器学习模型可能难以捕捉市场的变化趋势。

然而，面对挑战，我们也看到了机遇。随着人工智能技术的不断发展，强化学习、深度学习等新型机器学习算法的应用将进一步拓展量化交易的边界。这些算法具有更强的泛化能力和适应能力，能够更好地适应市场变化和数据特征。

未来展望

随着技术的不断进步和金融市场的不断演变，机器学习在量化领域的应用将会不断深化和拓展。未来，我们有理由相信，机器学习技术将与金融行业更紧密地结合，为投资者和交易员提供更智能、更高效的交易决策支持。

总的来说，机器学习在量化领域的应用，既面临挑战也充满机遇。通过不断探索和创新，我们可以更好地发挥机器学习技术的优势，实现更加智能化、精准化的量化交易。

二、机器学习在各领域的应用

在当今时代，机器学习在各领域的应用已经变得愈发广泛和重要。随着科技的不断进步和数据的爆炸式增长，机器学习技术为我们提供了无限的可能性，让我们能够处理和分析海量的数据，从而为各行各业带来了诸多机遇。

医疗健康领域

在医疗健康领域，机器学习在各领域的应用正在发挥着重要作用。通过利用机器学习算法，医疗领域可以进行疾病预测、诊断和治疗方面的研究和应用。例如，利用机器学习技术可以分析医学影像，帮助医生更准确地诊断疾病，提高医疗水平。

金融领域

金融领域也是机器学习在各领域的应用大显身手的领域之一。银行和金融机构利用机器学习技术来进行风险管理、信用评估、欺诈检测等工作。机器学习算法可以帮助金融机构更好地管理风险，保护客户资产，提供更加个性化的金融服务。

零售和电子商务

在零售和电子商务领域，机器学习在各领域的应用也呈现出独特的优势。通过分析用户的购物行为和喜好，零售商可以通过个性化推荐系统帮助客户更快地找到他们感兴趣的产品，从而提高销售额和客户满意度。

农业领域

农业领域也逐渐开始采用机器学习在各领域的应用。通过收集和分析农业数据，农民可以更好地了解作物生长情况、灾害风险等因素，从而优化种植方案，提高农作物产量和质量。

交通运输领域

在交通运输领域，机器学习技术也为城市交通管理和智能交通系统带来了革命性的变革。通过分析交通数据和预测交通拥堵情况，交通管理部门可以制定更加合理的交通规划和管理策略，提高交通效率，减少交通事故的发生。

总结

综上所述，机器学习在各领域的应用正在深刻地改变着我们的生活和工作方式。随着机器学习技术的不断发展和完善，我们相信其在各个领域的应用将会越来越广泛，为我们的社会带来更多的创新和进步。

三、机器学习在语言领域的应用

机器学习在语言领域的应用

机器学习作为人工智能的一个重要分支，在语言领域的应用日益广泛。通过机器学习算法的训练和优化，计算机能够模仿人类的语言处理能力，实现自然语言理解、语言生成、文本分类、情感分析等任务。

自然语言处理

自然语言处理是机器学习在语言领域的主要应用之一。通过深度学习等技术，计算机可以识别和理解人类语言的含义，实现语言的自动处理和分析。比如，机器翻译、语音识别、问答系统等领域都离不开机器学习的支持。

文本分类

文本分类是指根据文本的内容对文档进行分类的任务。机器学习可以通过训练文本分类模型，自动对文本进行分类，比如对新闻进行分类、垃圾邮件过滤等。利用机器学习的算法，可以提高文本分类的准确性和效率。

情感分析

情感分析是指识别文本中表达的情感倾向，包括正面情感、负面情感和中性情感等。机器学习可以通过训练情感分析模型，自动识别文本中的情感色彩，从而帮助企业了解用户的情感倾向和需求。

智能客服

智能客服是利用机器学习和自然语言处理技术实现的自动化客服系统。通过机器学习模型的训练，智能客服可以理解用户的问题并给出相应的回答，提高客户服务的效率和质量。

结语

随着机器学习算法的不断发展和优化，机器学习在语言领域的应用将会变得更加智能和高效。未来，随着人工智能技术的不断进步，机器学习将在语言领域发挥越来越重要的作用，为人类带来更多便利和价值。

四、机器学习在精算领域的应用

在现代精算领域中，随着科技的不断发展和进步，机器学习在精算领域的应用正逐渐成为一个热门话题。精算师们早已认识到机器学习在提高精算工作效率、优化决策过程以及开发新的精算模型方面的巨大潜力。本文将深入探讨机器学习在精算领域的应用，以及这种新技术给精算工作带来的改变。

机器学习概述

机器学习是人工智能的一个分支，它通过使用统计技术使计算机系统具有学习能力，不断优化自身的性能。通过分析大量数据，机器学习模型可以发现数据之间的模式和规律，从而能够做出预测和决策。

机器学习在精算领域的应用现状

在精算领域，机器学习的应用已经开始取得一些突破性进展。通过利用机器学习算法，精算师们能够更快速、更准确地分析数据、发现规律以及制定精算策略。例如，在保险精算中，机器学习可以帮助精算师更好地预测风险、制定定价策略，从而提高保险公司的盈利能力。

机器学习在精算领域的优势

机器学习在精算领域具有诸多优势，包括但不限于：

• 数据处理能力强：机器学习可以处理大量、复杂的数据，能够挖掘出数据背后的价值信息；
• 快速学习和优化：机器学习模型可以通过不断学习和优化提高精确度和效率；
• 自动化决策：机器学习可以帮助精算师快速做出决策，并且可以根据反馈自动调整模型；
• 应用广泛：机器学习技术可以应用于多个精算领域，如保险精算、风险评估等。

机器学习技术在风险评估中的应用

风险评估是精算工作中一个重要的环节，而机器学习技术的应用可以让风险评估变得更为准确和高效。通过对大量历史数据的分析，机器学习模型可以更好地识别潜在风险、预测赔付概率，并帮助精算师们制定相应的风险管理策略。

机器学习在保险精算中的作用

在保险行业，精算是一项至关重要的工作，而机器学习技术的应用可以为保险精算带来新的突破。通过机器学习算法对客户数据、赔付情况等进行分析，保险公司可以更好地了解客户需求、优化产品定价，并改善理赔流程。

结语

总的来说，机器学习在精算领域的应用为精算工作带来了许多新的机遇和挑战。精算师们应该不断学习和探索，充分利用机器学习技术，为精算工作注入新的活力，推动行业的发展和进步。

五、机器学习在电气领域的应用

机器学习在电气领域的应用

随着科技的不断发展，机器学习作为一种人工智能的重要分支，在各个领域都得到了广泛的应用。在电气领域，机器学习的应用也逐渐展现出了强大的潜力和优势。本文将探讨机器学习在电气领域中的具体应用，以及其带来的积极影响。

电力系统优化

在传统的电力系统中，人工设定的参数往往无法满足复杂系统的需求，容易导致能源浪费和效率低下。通过机器学习算法，可以对电力系统进行智能化优化，实现能源的高效利用和系统运行的稳定性提升。例如，利用机器学习算法分析大量的数据，优化电力系统的运行参数，提高系统的整体效率。

智能电网

随着能源互联网的发展，智能电网已经成为未来电力系统的重要发展方向。机器学习技术在智能电网中扮演着关键角色，可以实现对电力系统的智能监测、故障诊断和数据分析。通过机器学习算法的应用，智能电网可以更加高效地管理电力供需关系，提高能源利用率，减少能源浪费，从而打造更加智能、可持续的电力系统。

电力设备健康监测

对于电力设备的健康状况进行监测和预测是电气领域中的一项重要任务。传统的监测方法往往依赖于人工巡检，效率低下且难以全面准确地评估设备的健康状态。利用机器学习技术，可以通过对设备运行数据的分析，实现设备健康状态的实时监测和预测。这不仅可以降低设备的维护成本，延长设备的使用寿命，还可以提高设备运行的安全性和可靠性。

用电行为分析

通过对用户用电行为的分析，可以实现电力系统的智能化管理和能源的合理利用。机器学习算法可以通过对用户用电数据的挖掘和分析，预测用户的用电习惯，优化用电计划，减少用电峰谷差异，从而提高电力系统的运行效率，降低能源消耗。

电力市场预测

电力市场的波动对于电力系统的运行和管理都具有重要影响。利用机器学习技术，可以对电力市场进行数据分析和预测，帮助管理者更好地制定电力调度计划、优化市场交易和降低用电成本。通过机器学习算法的应用，可以更加准确地预测电力市场的变化趋势，提高市场运行的效率和稳定性。

综上所述，机器学习在电气领域的应用已经取得了显著的成效，为电力系统的运行和管理带来了诸多优势和便利。随着技术的不断进步，相信机器学习技术会在电气领域中发挥越来越重要的作用，为建设智能、高效、可持续的电力系统做出更大的贡献。

六、机器学习在测量领域的应用

机器学习在测量领域的应用

随着科技的不断发展，机器学习逐渐渗透到各行各业，其中在测量领域的应用也日渐广泛。机器学习技术借助大数据分析和模式识别，为测量行业带来了许多新的可能性和改进方案。本文将探讨机器学习在测量领域的具体应用和未来发展方向。

现有应用

目前，机器学习已经被成功应用于各种测量场景中，其中包括但不限于：

• 智能仪器的自动校准：利用机器学习算法，仪器可以自动进行校准，提高测量精度和效率。
• 测量数据分析：通过机器学习技术，可以更准确地分析海量的测量数据，发现隐藏的规律和趋势。
• 异常检测与预测：机器学习可以帮助实时监测测量过程中的异常情况，并预测可能出现的问题，及时采取措施。

未来发展方向

随着机器学习技术的不断进步和应用场景的不断拓展，测量领域也将迎来更多创新和发展。未来机器学习在测量领域的发展主要集中在以下几个方向：

1. 个性化测量解决方案：机器学习技术可以根据用户的需求和习惯，提供个性化的测量解决方案，满足不同用户的实际需求。
2. 智能测量系统：未来的测量仪器将更加智能化，具备自主学习和适应能力，可以实现自动化操作和智能分析。

结语

机器学习在测量领域的应用为传统测量行业带来了全新的发展机遇和挑战，需要不断探索和创新。随着技术的不断进步，相信机器学习将在测量领域发挥越来越重要的作用，推动行业向更高水平发展。

七、机器学习在中医领域的应用

在当今科技高速发展的时代，机器学习在中医领域的应用正逐渐受到人们的关注和重视。中医作为中国传统医学的重要组成部分，源远流长，积淀了丰富的医疗经验和智慧。如何将现代先进的机器学习技术与中医相结合，为中医医疗事业带来创新和突破，成为了当前值得探讨的课题。

机器学习的优势与特点

机器学习作为人工智能的一个分支，具有自动化、高效性和准确性等诸多优势，为中医领域带来了前所未有的机遇。首先，机器学习能够通过大数据分析，挖掘中医经典文献中的宝贵知识，辅助中医医生进行诊断和治疗。

其次，机器学习在中医辅助诊断中，可以快速准确地对患者的病情进行分析和诊断，节省了大量人力物力成本，提升了医疗服务的效率和质量。

此外，机器学习还能够根据中医药材的属性和作用，智能推荐合理的中药组方，为中医药的治疗提供个性化的方案和建议，增强了中医治疗效果。

机器学习在中医诊疗中的应用

在中医诊疗中，机器学习可以发挥重要作用。通过分析患者的病历数据和临床表现，结合专家经验和医疗知识，机器学习系统可以实现疾病的早期筛查、诊断和预后评估。

此外，机器学习还可以帮助中医医生实现个性化用药，根据患者的体质特点和病情变化，智能调整药方，提高了治疗的针对性和有效性。

另外，利用机器学习技术，还可以建立起中医临床决策支持系统，为中医医生提供全面、权威的治疗方案和指导，提升了中医诊疗水平。

机器学习在中医药研究中的应用

在中医药研究领域，机器学习也有着广泛的应用前景。通过对中医药的属性、功效、配伍规律等进行大数据分析和挖掘，可以加速中医药现代化和国际化进程。

同时，机器学习还可以帮助中医药研究人员发现新的中药活性成分、药效靶点，加快中药新药研发的进程，为中医药的创新和发展注入新的活力。

此外，借助机器学习技术，还可以建立中医药数据库和知识图谱，为中医药科研人员提供专业的信息检索和数据分析工具，促进中医药知识的传承和发展。

未来展望与挑战

随着机器学习技术的不断进步和应用，机器学习在中医领域的应用前景广阔，但也面临一些挑战。首先，中医医疗数据的质量和规范化程度亟待提高，以支持机器学习算法的准确性和可靠性。

其次，中医医生和研究人员对机器学习技术的了解和接受度也需要进一步提高，培养专业人才，推动中医与机器学习的深度融合。

尽管面临挑战，但相信随着各方的共同努力，机器学习在中医领域的应用定将迎来更加美好的未来，为中医医疗事业的发展贡献力量。

八、机器学习在工业领域的应用

机器学习在工业领域的应用

机器学习是人工智能领域中的一个重要分支，它通过训练计算机从数据中学习并改善性能，为各行业带来了革命性的变革。在工业领域，机器学习技术的应用正在逐渐深入，为企业带来了诸多益处。

传统上，工业生产往往受限于人工操作的时间和精力，而引入机器学习技术可以极大地提高生产效率，降低成本，并改善产品质量。例如，在制造业中，通过机器学习算法分析生产线数据，可以预测设备故障，避免生产中断，提前进行维护，节省维修成本，提高设备利用率。

另外，机器学习在质量控制方面也发挥了重要作用。利用机器学习模型识别产品中的缺陷，可以提高产品质量，减少次品率，增强企业竞争力。

除了生产领域，机器学习还在供应链管理、物流运输等环节得到广泛应用。通过预测需求、优化库存管理、提高运输路线效率等手段，机器学习为企业节约成本，提升运营效率，加强市场竞争力。

此外，机器学习技术还可以帮助企业进行市场营销和客户服务。通过分析大数据，预测客户行为，个性化推荐产品，提升用户体验，增加用户粘性，实现精准营销。同时，机器学习还可以通过智能客服系统提高客户服务效率，提供更快捷、个性化的服务体验，增强客户满意度，培养客户忠诚度。

总的来说，机器学习在工业领域的应用为企业带来了巨大的机遇和挑战。企业应积极拥抱这一技术趋势，不断提升自身技术水平，加强数据管理能力，培养机器学习人才，以应对未来竞争挑战，实现持续创新和发展。

九、机器学习在物理领域的应用

近年来，机器学习在物理领域的应用受到了越来越多学者和研究人员的关注。随着人工智能技术的不断发展，机器学习在解决物理问题上展现出独特的优势，为物理学研究带来了许多新的视角和方法。

机器学习技术在物理研究中的应用

在物理学领域，机器学习被广泛应用于数据分析、模式识别、预测和优化等方面。其中，通过机器学习算法可以对大量物理实验数据进行处理和分析，从而发现隐藏在数据背后的规律和模式，加深我们对自然规律的理解。

另外，机器学习还可以帮助物理学家建立更为精确的模型，提高实验数据的预测能力，加速科学研究的进程。通过机器学习技术，研究人员可以更快速地发现新的物理现象，推动科学知识的不断拓展和深化。

机器学习在量子物理中的应用

量子物理是一个充满挑战和机遇的领域，而机器学习技术的引入为量子领域的研究带来了许多创新。机器学习在量子物理中的应用涉及到量子态的分类、态的恢复、量子误差校正等方面。

通过应用机器学习算法，研究人员可以更准确地对量子态进行分类和识别，帮助解决量子系统中的复杂问题。此外，在量子计算和量子通信领域，机器学习也发挥着重要作用，提高了量子系统的稳定性和可控性。

机器学习在天体物理学中的应用

天体物理学是研究宇宙中各种天体及其相互作用规律的科学领域，而机器学习技术的引入为天体物理学的研究带来了新的机遇和挑战。利用机器学习算法可以对天文数据进行快速处理和分析，发现新的天体现象和规律。

在宇宙学领域，机器学习还可以帮助研究人员模拟和预测宇宙的演化过程，探索宇宙中的黑暗能量、暗物质等未解之谜。通过机器学习技术，天体物理学领域的研究将变得更加高效和精确。

结语

总体来说，机器学习在物理领域的应用为物理学研究带来了许多新的机遇和挑战，推动了物理学科学的发展和进步。在未来，随着人工智能技术的不断发展和完善，相信机器学习在物理领域的应用将会越来越广泛，为我们揭示更多自然世界的奥秘。

十、机器学习（machine learning）在经济学领域是否有应用前景？

我的专栏——

机器学习、大数据与经济学研究 - 大石头路73号 - 知乎专栏

对于这个问题，经济学大牛 Varian 已经写论文说过了，知乎上有人给了论文链接，我在这里简单介绍一下这篇文章的内容。

Varian, 2014, Big data: New tricks for econometrics

这里有一篇中文的介绍：

【香樟论坛】大数据：计量经济学的新技巧

其实这篇介绍的挺详细。但如果我全都照搬过来，岂不是很没有创造性？所以我决定重新写一篇。。。

论文作者是范里安（Hal Varian），学过经济学的应该都知道这位大名鼎鼎的美国经济学家，著有经济学教材《微观经济学：现代观点》，就算没读过应该也听说过。他现在已经从加州大学伯克利分校退休，现任 Google 首席经济学家，参与设计了 Google 广告关键词拍卖系统等项目。

范里安为 Google 设计的「AdWords Select」系统背后的经济学原理是怎样的？ - 谷歌 (Google)首席经济学家范里安：谷歌摇钱树 -- 经济金融网 -- 传送门

看看他在这篇论文脚注中的作者介绍，感觉还是挺酷的：

Hal Varian is Chief Economist, Google Inc., Mountain View, California, and Emeritus Professor of Economics, University of California, Berkeley, California.

不知道是不是受到 Google 程序员们的影响，范里安现在对机器学习和大数据很感兴趣。

范里安认为，计算机技术现在已经深入到经济学研究中。传统的统计和计量方法，比如回归分析，当然是不错的研究方法，但如今数据量越来越大，而正好符合研究要求的数据已然有限，同时大数据量让变量之间的关系变得更加灵活，传统计量中的线性以及大多非线性模型可能都无法满足这一要求，所以经济学家需要寻找新的研究方法。范里安认为，机器学习理论中的决策树（decision trees），support vector machines，深度学习（deep lerning）等技术，可以更加有效率的处理复杂的关系。

所以，他在文中的思路可以简单总结为：

- 经济学要与数据打交道，传统分析用的是样本等小数据

- 随着经济交流的日益频繁和技术水平的提高，数据越来越大，大数据出现

- 传统经济学分析方法在分析大数据时显得捉襟见肘

- 我们需要新的分析方法

- 机器学习技术可以在这方面帮助我们

这篇文章开始给读者介绍了一些处理数据的方法和软件，以及大型 IT 公司的处理方法，这还是挺有用的。比如在处理百万条的大型数据时需要用到 SQL，数据清理可以用 OpenRefine 和 DataWrangler。

不过计量经济学和机器学习当然是有区别的，作者认为：

Data analysis in statistics and econometrics can be broken down into four categories: 1) prediction, 2) summarization, 3) estimation, and 4) hypothesis testing. Machine learning is concerned primarily with prediction.[...]Machine learning specialists are often primarily concerned with developing high-performance computer systems that can provide useful predictions in the presence of challenging computational constraints.[...]Data science, a somewhat newer term, is concerned with both prediction and summarization, but also with data manipulation, visualization, and other similar tasks.

计量和统计学主要关注四个方面：预测、总结、估计和假设检验。机器学习主要关注预测。数据科学侧重预测和总结，也涉及数据处理、可视化等。

计量经济学关注因果关系，会遇到内生性等问题，而机器学习则会遇到“过度拟合”（overfitting）的困扰，但机器学习可以关注到计量和统计中样本以外的数据。

那么机器学习如何运用到经济学中呢？作者举了几个例子。

一个是分类和回归树分析（Classification and regression trees，简称CART），这一方法适用于分析一件事情是否发生以及发生概率的时候，即被解释变量是0或1。计量上通常用 logit 或 probit 回归。

范里安这里用的是例子是泰坦尼克号沉船事件中不同人群的死亡概率。作者用机器学习理论中的 CART 方法（R 软件中有这个包 rpart），把船上的乘客按照舱位等级和年龄进行分类。

这是树模型（Tree model）的分类，舱位分一、二、三等，一等最好，三等最差。然后做成树型的样式：

最上面一层把乘客按照舱位分开，左边是三等舱，右边是一等和二等。三等舱（很有可能穷人居多）死亡概率较高，501个人中有370个遇难。接下来把右边一等和二等的乘客按照年龄分类，左边是大于等于16岁的，右边是小于16岁的儿童。先看儿童，这类人群的幸存概率很高，36个人中有34个都活下来了。左边把年龄16岁及以上的人又分为两类，左边的二等舱和右边的一等舱。二等舱233人中有145人遇难，一等舱276个成年人中174人幸存下来。我算了一下，四类人从左到右的幸存概率分别是26%、37%、63%和94%。所以在泰坦尼克沉船时，儿童和一等舱的人容易活下来。

接下来重点关注一下乘客的年龄分布，下图是各年龄段的幸存概率以及置信区间：

从图中可以看出，10岁所有的儿童和60岁左右的人幸存概率更高。

同时，作者又用传统的计量方法 logit 模型回归了一下，解释变量是年龄，被解释变量是幸存（1）。结果如下：

年龄（age）与幸存为显著的负相关，即年龄越小越可能在沉船时活下来，但是系数太小，影响很弱。总结这两种方法作者认为，是否幸存并不取决于年龄，而是乘客是否是儿童或者60岁左右的人，这一点在回归分析中无法反映出来。

类似的机器学习的方法还有一个叫conditional inference tree，这里同样是运用泰坦尼克的数据制作的图：

这幅图把乘客进行了更加细化的分类，添加了性别(sex)一项。pclass 是舱位登记，age 年龄，sibsp 为船上兄弟姐妹和配偶的数量。最下面的刻度中黑色是这一人群的幸存比例。可以得出的结论是妇女和儿童的幸存率最高。（这是因为在沉船的时候大家大喊“让小孩和女人先走”吗。。？）

上面这个例子比较简单，但也足够明了，我认为它比较清楚的解释了机器学习和计量的差别：机器学习更加关注相关性和预测，所以得出的结论是某个年龄段的人群幸存率更高。而计量更加关注因果关系，根据上面的 logit 模型，很难说是年龄导致了幸存，很明显还有很多其他变量没有被考虑进去，比如个人体质等等，或许年龄根本就不是计量经济学家在这里主要考察的变量。而且如果加入交叉项也许会有新的结论。所以简单的说就是模型设定的问题。具体哪种方法更好，还要看具体研究的问题是什么。

此外，作者还举了其他机器学习的例子，如 boosting, bagging, bootstrap, bayes，这里就不详细说了。文中的几个例子挺值得一看，可以了解一下机器学习的基本方法。比如利用机器学习研究一家公司投放广告是否有效，传统的计量方法是需要设计实验，设立处理组和对照组，但成本较高。

范里安认为过去几十年计算机科学家与统计学家已经进行了许多卓有成效的合作，他对机器学习在经济学，特别是计量经济学和统计学的应用十分看好，所以范里安给经济学专业的学生一条建议：

[…] my standard advice to graduate students these days is “go to the computer science department and take a class in machine learning.

“学经济学的都去计算机系修一下机器学习的课程吧！”

范里安一方面是传统意义上的经济学家，另一方面由于在 Google 工作的经历，使得他对机器学习技术有了更深的了解，他的观点值得一看。

当然，这也只是他的一家之言，毕竟机器学习和计量经济学在方法、目的上都有较大差别，机器学习是否会真的大范围进入到经济学领域还很难说。不过，计算机技术越来越多的被运用到经济学研究当中已经是不争的事实，而且也是趋势，现在如果不懂点编程技术（至少是计量软件），很难在经济学这个行当走的更远。虽然现在有不少功成名就的经济学家和教授在写代码方面并不精通，但每个时代对人们的要求都有不同，当年计算机技术还没有普及，而他们接受的教育实际上已经比之前的人有了长足进步。我想，今天这个时代对经济学研究者的要求之一就是掌握一定的编程技术吧，虽然不用达到写应用程序那个等级，但也得有较高的搜集数据和处理数据的能力。

所以，如果你只是打算学完经济学就去公司当白领，那么写代码技术可能不是必需的，反而用好word, excel, powerpoint 可能更有用（IT、金融等对写代码有一定要求的行业或岗位除外）。但假如想在学术圈待下去并且有所建树，那么从长远考虑，现在就赶紧去学点编程技术，提高自己的数据处理能力吧。

现在网上这类资源很多，比如coursera上John Hopkins大学很有名的数据科学的课程

https://www.coursera.org/specializations/jhudatascience?utm_medium=courseDescripTop

大部分都带中文字幕

我自己也在听这个公开课。另外我也会在YouTube找一些数据处理的课程，YouTube 在这方面的优点是资源很丰富（中国的视频网站在这方面的资源太匮乏），基本上只要你能想到的软件教程都会有。缺点是质量参差不齐，而且有些视频不完整，有的视频发布者更新一段时间就停止了。相比而言，coursera 的质量和完整度都要更胜一筹。所以 coursare 和 YouTube 结合起来还是不错的。

其他参考资料：

计量经济学、时间序列分析和机器学习三者有什么区别与联系？ - 经济学