Deep learning pour l'assurance et la finance

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

Les étudiants rédigeront un rapport individuel dans lequel les méthodes abordées lors des lectures seront appliquées à un jeu de données réelles. Veuillez noter que le professeur se réserve le droit d’interroger les étudiants oralement sur le contenu de leur travail. Le cas échéant, l’usage de l’IA respectera les lignes directrices pour une utilisation responsable de l'intelligence artificielle générative au sein de la Faculté des Sciences.

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