Présentation du cours¶
Vous trouvez le plan du cours détaillé pour la session H2021 en cliquant sur le lien suivant. Vous y trouvez toute l’information ainsi que la planification du cours.
Objectifs¶
Comprendre les fondements des méthodes d’apprentissage statistique supervisées et non- supervisées sous un angle actuariel. Applications de différentes méthodes pour l’analyse de données actuarielles à l’aide d’un langage de programmation comme R ou Python 🐍. Applications actuarielles typiques en assurance-vie, assurance IARD, assurance collective, régimes de retraite ainsi qu’en finance.
Sommaire du contenu¶
Exploration de données, validation et vérifications; Méthodes d’apprentissage statistique supervisées et non-supervisées; Analyse aux composantes principales; Arbres de décision et de classification; Groupement et partitionnement de données (cluster analysis); Analyse de données temporelles;
Ce cours comporte une séance de travaux pratiques (TP) de deux heures par semaine.
Le cours est une composante de l’examen Statistics for Risk Modeling de la Society of Actuaries et de l’examen Modern Actuarial Statistics II de la Casualty Actuarial Society.
Matériel¶
Nous utiliserons les livres suivant comme livre de référence:
An introduction to statistical learning [JWHT13],
The elements of statistical learning: data mining, inference, and prediction [HTF09],
Regression modeling with actuarial and financial applications [Fre09],
Les notes du cours seront publiés dans ce site même.
Données utilisées dans le cours¶
Toutes les données utilisées dans ce cours se trouvent dans le répertoire data dans mon GitHub
Calendrier¶
Le la calendrier de la figure (Fig. 1) est ce que je vous propose. Nous discutrons plus en détail au cours des 3 premières semaines.
Fig. 1 Plan du cours proposé de la session H2021¶
Bibliographie¶
- Fre09
Edward W Frees. Regression modeling with actuarial and financial applications. Cambridge University Press, 2009.
- HTF09
Trevor Hastie, Robert Tibshirani, and Jerome Friedman. The elements of statistical learning: data mining, inference, and prediction. Springer Science & Business Media, 2009.
- JWHT13
Gareth James, Daniela Witten, Trevor Hastie, and Robert Tibshirani. An introduction to statistical learning. Volume 112. Springer, 2013.