À propos
Sommaire
L’atelier thématique Fin-ML/IVADO est une formation pratique d’une semaine en apprentissage machine, appliquée à des problèmes concrets en finance et assurance. Cet atelier sera composé de théorie le matin, suivi d’ateliers de résolution de problèmes en finance et assurance en après-midi.
Les participants devront amener leurs ordinateurs portables pour la partie pratique, aucune installation particulière n’est requise.
Objectifs des ateliers
- Former les professionnels et les étudiants dans les nouvelles technologies en sciences des données, de l’apprentissage automatique et de la recherche opérationnelle;
- Développer une compréhension des défis et enjeux des sciences des données appliquées à un domaine spécifique;
- Apprendre à utiliser les outils informatiques afin de résoudre des problèmes concrets;
- Favoriser le partage de connaissances et faciliter le réseautage entre les spécialistes d’un domaine particulier;
- Encourager le partage de connaissances interdisciplinaire.
Pré-requis
Des connaissances de base en mathématique et en programmation (idéalement Python) sont fortement recommandées.
Organisateurs
- Manuel Morales, Université de Montréal
- Rheia Khalaf, Université de Montréal / IVADO
- Brian Moore, IVADO
Contact
Pour toutes questions, n’hésitez pas à nous contacter à l’adresse courriel suivante : formations@ivado.ca.
Date et lieu
Programme
Introduction à l’apprentissage automatique
HORAIRE :
09:00 – 09:30 : Inscription et déjeuner léger
09:30 – 12:30 : Théorie
- Introduction: Régression et régression logistique: les approches en apprentissage automatique vs approches statistiques
- Type d’apprentissage : supervisé, non-supervisé et par renforcement
- Bonnes pratiques : Sur-apprentissage
- Bonnes pratiques : Validation croisée et plan d’expérience
12:30 – 13:30 : Dîner (inclus)
13:30 – 16:30 : Tutoriel
- Présentation des environnements : Python, Keras, Pytorch.
- Quelques exemples illustratifs
Deux pauses à 11:00 et 15:00
Apprentissage supervisé et non-supervisé
HORAIRE :
09:00 – 09:30 : Inscription et déjeuner léger
09:30 – 12:30 : Théorie
- Introduction : Problème de Classification
- Approches classiques : SVM, Forêts aléatoires, etc
- Approches modernes : réseaux de neurones
- Bonnes pratiques
- Introduction : Problème de clustering
- Approches classiques : K-means
- Approches modernes : Embeddings
12:30 – 13:30 : Dîner (inclus)
13:30 – 16:30 : Tutoriel
- Tutoriel Keras : Exploration des données en assurance
Deux pauses à 11:00 et 15:00
Réseaux de neurones
HORAIRE :
09:00 – 09:30 : Inscription et déjeuner léger
09:30 – 12:30 : Théorie
- Introduction : Problèmes de prévision
- Perceptrons multicouches
- Introduction au réseaux récurrents (RNN)
- Bonnes pratiques
12:30 – 13:30 : Dîner (inclus)
13:30 – 16:30 : Tutoriel
- Étude de cas : Exploration des données en finance
Deux pauses à 11:00 et 15:00
Introduction au traitement automatique des langues naturelles (TALN, NLP)
HORAIRE :
09:00 – 09:30 : Inscription et déjeuner léger
09:30 – 12:30 : Théorie
- Traitement de texte
- Analyse de sentiment : Application de réseaux constitutionnels (CNN)
- Embeddings et détection d’anomalies : Modèles génératifs (GAN)
12:30 – 13:30 : Dîner (inclus)
13:30 – 16:30 : Tutoriel
- Étude de cas : Détection de pourriel (i.e. spam) et analyse de sentiments
Deux pauses à 11:00 et 15:00
Apprentissage par renforcement
HORAIRE :
09:00 – 09:30 : Inscription et déjeuner léger
09:30 – 12:30 : Théorie
- Introduction : Apprentissage par renforcement
12:30 – 13:30 : Dîner (inclus)
13:30 – 16:30 : Tutoriel
- Étude de cas : Apprentissage par renforcement en finance
Deux pauses à 11:00 et 15:00