Construction d’un modèle de machine learning interprétable

Cette formation donne 21 points PPC aux membres qualifiés de l’Institut des Actuaires
Dernière mise à jour le 5 janvier 2024

Programme de la formation

Comprendre la notion d’interprétabilité intrinsèque en Machine Learning dans un contexte de tarification en assurance non-vie

Introduction

  • Structure paramétrique d’un modèle linéaire généralisé (GLM)
  • Structure non-paramétrique des modèles de Machine Learning
  • Applicabilité opérationnelle des modèles GLM et Machine Learning

Modèles de Machine Learning

  • Arbre de décision CART
  • Agrégation des modèles et notions de Bagging et de Boosting

Modèles additifs généralisés (GAM) et leurs extensions

  • Structure semi-paramétrique d’un modèle GAM
  • Paradigme lissage et apprentissage
  • Combinaison des composantes univariées des modèles de Machine Learning au sein d’un modèle GAM
  • Présentation d’un cas pratique : modèle GAM combinant des arbres de décision (Explainable Boosting Machine)

Des exemple concrets seront déroulés tout au long de la formation, afin d’illustrer les concepts théoriques.

Formation proposée en partenariat avec :
Dernière date
11 octobre 2024
Inscription possible jusqu'à la veille de la formation 16h (hors weekend et jour férié)
Horaires

9h00 - 12h30

Prix
  • 700 € HT
  • TVA 20%
  • 840 € TTC
Lieu

CARITAT, 24 rue Tronchet 75008 PARIS

Session suivante

En 2025

Durée

3 heures

Programme adaptable,
sur-mesure

Notre formateur

Marketa KRUPOVA

Membre associé de l'Institut des Actuaires, ingénieure en mathématiques appliquées et consultante au sein de cabinet ADDACTIS, Marketa travaille sur les sujets d'analyse et de tarification en assurance non-vie.

Points clés

À qui s’adresse cette formation ?

Aux actuaires et aux chargés d’études actuarielles et statistiques au sein des sociétés d’assurance, des mutuelles et des cabinets de conseil.

Pour obtenir quoi ?

Une compréhension de l’intérêt de l’utilisation d’un modèle intermédiaire entre les modèles linéaires généralisés et les modèles de Machine Learning. Une vision complète des points clés liés à la notion d’interprétabilité en tarification.

Quels objectifs pédagogiques ?

Comprendre la spécificité d’un modèle semi-paramétrique sur l’exemple du modèle additif généralisé

Construire un modèle additif généralisé combinant des arbres de décision

Sensibiliser aux enjeux de l’interprétabilité et à leurs impacts sur la tarification

Quelles méthodes mobilisées ?

Apports théoriques complétés par des travaux pratiques réalisés sous le logiciel « Python ». Un programme spécifique sera fourni pour des applications ultérieures.

Quels sont les prérequis ?

Connaissances générales en statistiques et/ou en tarification IARD.

Quelles modalités d’évaluation ?

Une évaluation des acquis des objectifs sera réalisée durant la formation.

Points forts

  • Positionnement d’un modèle semi-paramétrique parmi les modèles classiques de tarification et les modèles de Machine Learning
  • Application de la notion d’interprétabilité aux modèles de tarification
Inscrivez-vous à notre newsletter

Pour recevoir toutes les dernières informations