Deep learning pour l'assurance et la finance

ldats2310  2024-2025  Louvain-la-Neuve

Deep learning pour l'assurance et la finance
3.00 crédits
15.0 h
Q2
> Horaire
Enseignants
Hainaut Donatien;
Langue
d'enseignement
Français
> English-friendly
Préalables
Maîtrise des concepts de base en statistique et calcul des probabilités ainsi que de la programmation, du niveau des cours des programmes FSA1BA, INGE1BA, MATH1BA ou de la mineure d'accès en statistique, sciences actuarielles et science des données.
Thèmes abordés
Réseaux de neurones artificiels, Deep learning, auto-encoder, LSTM, réseaux de convolution, tarification et prévision.
Acquis
d'apprentissage

A la fin de cette unité d’enseignement, l’étudiant est capable de :

1
  • Programmer un réseau neurones artificiels de régression/classification pour la tarification ou la prévision en assurance/finance
  • Choisir l’algorithme de calibration, le critère d’optimisation, ainsi que les contraintes, les plus appropriés aux données
  • Implémenter un réseau de neurones réduisant la dimension d’un dataset
  • Utiliser un réseaux pour modéliser des séries temporelles
 
Contenu
  • Réseaux neurones (RN), généralités
  • RN pour l’assurance et le risque crédit : déviance et fonction de perte personnalisée, régularisation du biais.
  • RN et haute dimension : pénalisation ridge et lasso ainsi que « embedding layers »
  • Biais-variance : bootstrapping, randomization drop-out
  • Interpretation des modèles: PDP, ICE, feature importance, LIME, SHAP
  • Auto-encoders neuronaux et auto-encoders variationels
  • Prévisions de séries temporelles avec réseaux récurrents et LSTM
  • Régression avec réseau de convolution
Méthodes d'enseignement
  • Lecture avec diapositives
  • Programmes en Python (KERAS & TENSORFLOW)
  • Etudes de cas
Modes d'évaluation
des acquis des étudiants
L'évaluation est basée sur un rapport individuel dans lequel les méthodes vues pendant les lectures sont appliquées à un jeu de données réelles. Notez que le professeur se réserve le droit d'interroger oralement les étudiants sur le contenu de leur travail.
Ressources
en ligne
Moodle website
Bibliographie
Denuit M., Trufin J. , Hainaut D. 2019. Effective statistical learning III : neural networks and extensions. Springer actuarial lectures notes.
Faculté ou entité
en charge
> LSBA


Programmes / formations proposant cette unité d'enseignement (UE)

Intitulé du programme
Sigle
Crédits
Prérequis
Acquis
d'apprentissage
Master [120] en science des données, orientation statistique
DATS2M
3
Master [120] en sciences actuarielles
ACTU2M
3
Master [120] en statistique, orientation générale
STAT2M
3
Certificat d'université : Statistique et science des données (15/30 crédits)
STAT2FC
3