Introduction

• Démystification des mots clés (big data, machine learning, iIA)
• Processus de la construction d’un algorithme

Analyse descriptive

• Exploration de la base de données
• Formulation de la problématique
• Choix d’un algorithme

Apprentissage non supervisé

• Analyse en composante principale
• Décomposition en valeurs singulières
• K-means
• Classification hiérarchique

Apprentissage supervisé

• Régressions linéaire, logistique, ridge et lasso
• Classification Bayésienne Naïve
• Arbre de classification
• Machine à vecteurs de support (SVM)
• Analyse discriminante linéaire
• Réseaux de neurones

Problématiques de Machine Learning

• Sur-apprentissage
• Base d’apprentissage et base de test

Validation de modèles

• Erreur quadratique moyenne
• Matrice de confusion et F-score
• Coefficient de Gini
• Courbe ROC et AUC

Data Visualisation

• Tableau de bord
• Outils de visualisation
• Exemples de visualisation

Pratique en assurance

• Automatisation des processus de souscription
• Marketing : conversion, acquisition et rétention
• Tarification et segmentation tarifaire
• Analyse des sinistres et prédiction des sinistres graves
• Détection de fraude
• Qualité des données