Formation 
Actuaire Data-Scientist 
PROGRAMME 
15 Septembre 2014 
Arthur Charpentier, Romuald Élie & Jérémie Jakubowicz
Programme 
1 
4 
9 
1 
2 
Séance inaugurale: 
révolution numérique; 
besoins des entreprises; 
cadre réglementaire; 
éthiq...
Programme 
A) Éléments logiciels et programmation Python ~ 18h 
B) Datamining et programmation R ~ 18h 
C) Algorithmique e...
Programme 
A) Éléments logiciels et programmation Python ~ 18h 
Objectif : Introduction au langage Python et sensibilisati...
Programme 
B) Datamining et programmation R ~ 18h 
Objectif : Présenter les outils classiques d'exploration de données, so...
Programme 
C) Algorithmique en machine learning et mise en situation ~ 24h 
Objectif : Approche par mise en situation via ...
Programme 
D) Fondements théoriques de l’apprentissage statistique ~ 24h 
Objectif : Présenter les fondements mathématique...
Programme 
E) Machine Learning distribué et applications ~ 12h 
Objectif : Pour passer à l’échelle, les algorithmes de Mac...
Programme 
F) Extraction, utilisation et visualisation des données ~ 18h 
Objectif : Description des enjeux économiques et...
Programme 
APPLICATIONS AUX MÉTIERS DE L’ASSURANCE 
Approfondissements et études de cas ~ 40h 
Objectif : Présentations de...
Programme 
APPLICATIONS AUX MÉTIERS DE L’ASSURANCE 
Approfondissements et études de cas ~ 40h 
Objectif : Présentations de...
Programme 
* calendrier donné à titre purement indicatif
Réalisation d’un projet 
Les participants à la formation réaliseront un projet visant à exhiber 
l'apport de ces nouvelle...
Validation de la formation 
Plusieurs examens ou QCMs au cours de la 
formation, pour valider l’acquisition de blocs préc...
Prochain SlideShare
Chargement dans…5
×

Big data f prez formation_datascience_14-sept

859 vues

Publié le

Présentation formation data scientist 15 septembre 2014

Publié dans : Formation
0 commentaire
0 j’aime
Statistiques
Remarques
  • Soyez le premier à commenter

  • Soyez le premier à aimer ceci

Aucun téléchargement
Vues
Nombre de vues
859
Sur SlideShare
0
Issues des intégrations
0
Intégrations
83
Actions
Partages
0
Téléchargements
14
Commentaires
0
J’aime
0
Intégrations 0
Aucune incorporation

Aucune remarque pour cette diapositive

Big data f prez formation_datascience_14-sept

  1. 1. Formation Actuaire Data-Scientist PROGRAMME 15 Septembre 2014 Arthur Charpentier, Romuald Élie & Jérémie Jakubowicz
  2. 2. Programme 1 4 9 1 2 Séance inaugurale: révolution numérique; besoins des entreprises; cadre réglementaire; éthique et normes. 3 blocs pédagogiques: cours et TD approfondissements et applications aux métiers de l’assurance réalisation d’un projet individuel sur un sujet actuariel Rythme: 2 jours par mois comportant à la fois cours et cas pratiques début du projet à mi-parcours
  3. 3. Programme A) Éléments logiciels et programmation Python ~ 18h B) Datamining et programmation R ~ 18h C) Algorithmique en Machine Learning et mise en situation ~ 24h D) Fondements théoriques de l’apprentissage statistique ~ 24h E) Machine Learning distribué et applications ~ 12h F) Extraction, utilisation et visualisation des données ~ 18h Approfondissements et études de cas pratiques ~ 40h * nombre d'heures à titre indicatif COURS ET TD APPLICATIONS AUX MÉTIERS DE L ’ASSURANCE
  4. 4. Programme A) Éléments logiciels et programmation Python ~ 18h Objectif : Introduction au langage Python et sensibilisation aux grandeurs informatiques pertinentes. Eléments de programme : Initiation à la programmation Python Programmation objet, classes, héritage Bibliothèque des méthodes statistiques usuelles Eléments logiciels pour grandes bases de donnée Hardware, performance machine et gestion de mémoire Efficacité d'un algorithme Complexité, accès mémoire, ordres de grandeur
  5. 5. Programme B) Datamining et programmation R ~ 18h Objectif : Présenter les outils classiques d'exploration de données, sous un angle essentiellement descriptif. Ces cours permettra une remise à niveau en R, en rappelant, durant les premières heures, les bases de la programmation en R. Eléments de programme : Manipuler des données sous R: données continues, facteurs (recodification), dates, heures Bases de la programmation avancée en R Méthodes non-supervisées Analyse factorielle et détection de clusters
  6. 6. Programme C) Algorithmique en machine learning et mise en situation ~ 24h Objectif : Approche par mise en situation via la participation à un concours type Kaggle. Présentation des différentes phases : exploration, sélection/transformation des données, algorithmes d’apprentissage, visualisation Eléments de programme : Etude de cas Exploration/ Sélection / Transformation / Nettoyage des données Principaux algorithmes de Machine Learning (contexte de Classification) K-NN, Régression Logistique, SVM Forêts aléatoires, Réseaux de Neurones Boosting, Bagging Procédures de validation / sélection de modèle Visualisation Retour d’expérience et analyse des résultats
  7. 7. Programme D) Fondements théoriques de l’apprentissage statistique ~ 24h Objectif : Présenter les fondements mathématiques des principales méthodes de Machine learning Eléments de programme : Théorie de la décision, Perte, risque, risque empirique Modèle statistique pour la classification binaire, Approches génératives vs. discriminantes Machine Learning, Méthodes paramétriques, perceptron, partitionnement Algorithmes de classification de données massives, Convexification du risque, boosting et SVM Méthodes ascendantes et descendantes, Critères AIC et BIC Régression linéaire: limites et améliorations : Parcimonie. Régression pas à pas Approche par pénalisation: ridge, lasso... Modèles linéaires généralisés, Méthodes de régression alternatives, Approche non linéaire: polynômes locaux, ondelettes Régression PLS et CART
  8. 8. Programme E) Machine Learning distribué et applications ~ 12h Objectif : Pour passer à l’échelle, les algorithmes de Machine Learning vus dans les cours précédents doivent être repensés. Un cadre efficace est celui des algorithmes distribués où on utilise plusieurs entités de calculs pour mener à bien l’objectif initial. L’objectif de ce cours sera de présenter différents exemples d’algorithmes de Machine Learning distribués Eléments de programme : Algorithmes distribués : généralités Le cas de Map-Reduce Applications en Machine Learning
  9. 9. Programme F) Extraction, utilisation et visualisation des données ~ 18h Objectif : Description des enjeux économiques et sociétaux de la révolution numérique du Big Data. Présentation des architectures de bases ou entrepôts de données, ainsi que des techniques d'exploration associées pour la récolte des données. Sensibilisation aux questions éthiques sous-jacentes, aux contraintes juridiques européennes et au rôle de la CNIL. Présentation des principales méthodes de visualisation des données complexes. Eléments de programme : Ecosystème des données massives SQL vs NoSQL Anonymisation de données, Protection des données personnelles, enjeux économiques Visualisation des données
  10. 10. Programme APPLICATIONS AUX MÉTIERS DE L’ASSURANCE Approfondissements et études de cas ~ 40h Objectif : Présentations de sujets « métier » et mises en situation via des interventions courtes, et techniques, (2 à 4 h) sur des thématiques précises. Exemple : Cartographie et GPS Géolocalisation et anonymisation Traitement de données textuelles Health monitoring Détection de fraude Applications en Génomique Investissement séquentiel en gestion de portefeuille ...
  11. 11. Programme APPLICATIONS AUX MÉTIERS DE L’ASSURANCE Approfondissements et études de cas ~ 40h Objectif : Présentations de sujets « métier » et mises en situation via des interventions courtes, et techniques, (2 à 4 h) sur des thématiques précises. Exemples : ... Enchère web Réseaux de neurone & e-commerce Calcul du capital économique en grande dimension Vente d’assurance en ligne Visualisation de données et réseaux sociaux Biosécurité Parallélisation massive pour la simulation Monte Carlo
  12. 12. Programme * calendrier donné à titre purement indicatif
  13. 13. Réalisation d’un projet Les participants à la formation réaliseront un projet visant à exhiber l'apport de ces nouvelles méthodologies statistiques et informatiques pour la modélisation d'un phénomène actuariel Projet réalisé sous le tutorat d’un membre du corps enseignant de la formation Projet réalisé sur la deuxième moitié de la formation Rédaction d’un rapport et soutenance devant un jury de membres du corps enseignant ainsi que l’ensemble de la promotion (sauf conflit trop important pour cause de confidentialité).
  14. 14. Validation de la formation Plusieurs examens ou QCMs au cours de la formation, pour valider l’acquisition de blocs précis de compétences en data science Réalisation et soutenance d’un projet mettant en application les compétences acquises à des problématiques actuarielles Obtention du diplôme Actuaire Data Scientist de l’Institut du Risk Management

×