Международный научно-образовательный электронный журнал «образование и наука в XXI веке». Выпуск №25 (том 2)

Adabiyotlar ro`yxati (References) 
1.
Baybuza, I. (2018). Infation Forecasting Using Machine Learning Methods. Russian 
Journal of Money and Finance, 77(4), pp. 42–59. 
2.
Breiman, L. (2001). Random Forests. Machine Learning, 45(1), pp. 5–32. 
3.
Breiman, L. and Friedman, J.H. (1985). "Estimating Optimal Transformations for 
Multiple Regression and Correlation", Journal of the American Statistical Association 
p:580–598.
4.
Chakraborty, C. and Joseph, A. (2017). Machine Learning at Central Banks. Bank of 
England Working Papers, N 674. 
5.
de Myttenaere, B Golden, B Le Grand, F Rossi (2015). "Mean absolute percentage 
error for regression models", Neurocomputing 2016 
6.
Dickey, D. A.; Fuller, W. A. (1979). "Distribution of the Estimators for 
Autoregressive Time Series with a Unit Root". Journal of the American Statistical 
Association. 74 (366): 427–431 
7.
Faust, J. and Wright, J. H. (2013). Forecasting Infation. Handbook in Economic 
Forecasting, 2(1), pp. 2–56. 
8.
Fokin, N. and Polbin, A. (2019). Forecasting Russia's Key Macroeconomic Indicators 
with the VAR-LASSO Model. Russian Journal of Money and Finance, 78(2), pp. 67–93. 
9.
Friedman, J. H. (2000). Greedy Function Approximation: A Gradient Boosting 
Machine. Te Annals of Statistics, 29(5), pp. 1189–1232. 
10.
Inflation forecasting; Faust, Jon; Jonathan H. Wright; Handbook of Forecasting, 2: 
A, 2013, G. Elliott and A. Timmermann eds., 2013, 2-56. 
11.
Nonlinear Inflation Forecasting with Recurrent Neural Networks. Anna Almosova, 
Niek Andresen (2019) 
12.
Phillips Curve Inflation Forecasts James H. Stock, Mark W. Watson NBER Working 
Paper No. 14322 September 2008 
13.
Quinlan, J. R. Induction of Decision Trees. Machine Learning. Kluwer Academic 
Publishers. 1986. pp. 81-106 
14.
Siami-Namini, Sima et al. “A Comparison of ARIMA and LSTM in Forecasting 
Time Series.” 2018 17th IEEE International Conference on Machine Learning and 
Applications (ICMLA). 2018 pp: 1394-1401. 

---

805 
15.
Tibshirani, Robert. "Regression Shrinkage and Selection via the lasso". Journal of 
the Royal Statistical Society. Series B (methodological). Wiley. 58 (1) 1996. pp: 267–88.
16.
Wackerly, Dennis; Mendenhall, William; Scheaffer, Richard L. (2008). 
Mathematical Statistics with Applications (7 ed.). Belmont, CA, USA: Thomson Higher 
Education. ISBN 978-0-495-38508-0. 
17.
Yun Liao, "Machine Learning in Macro-Economic Series Forecasting," International 
Journal of Economics and Finance, Canadian Center of Science and Education, vol. 9(12), 
2017. pp: 71-76,
18.
Pul-kredit siyosatini rivojlantirish va amalga oshirish Konsepsiyasi 
19.
 
https://people.duke.edu/~rnau/411arim.htm
  
20.
 
https://www.econometrics-with-r.org/16-1-vector-autoregressions.html
  
21.
 
http://scikit-learn.org/stable/modules/generated/sklearn.linear_model.Ridge.html
 
22.

https://scikit-learn.org/stable/modules/linear_model.html

 
23.

https://medium.com/@alexfharlan/ridge-vs-lasso-regression-how-to-keep-them-

straight-5ee4a2d7f606
 
24.
 
https://medium.com/greyatom/a-quick-guide-to-boosting-in-ml-acf7c1585cb5
  
25.

https://www.digitaltrends.com/cool-tech/what-is-an-artificial-neural-network/

  
26.

https://towardsdatascience.com/the-most-intuitive-and-easiest-guide-for-artificial-

neural-network-6a3f2bc0eecb
  
27.
 
https://medium.com/human-in-a-machine-world/mae-and-rmse-which-metric-is-
better-e60ac3bde13d
 

---

806