Prenez contact avec nous

Plan du cours

Introduction au Machine Learning dans la finance

  • Vue d'ensemble de l'IA et du Machine Learning dans l'industrie financière
  • Types de machine learning (apprentissage supervisé, non supervisé, par renforcement)
  • Études de cas sur la détection de fraude, l'attribution de scores de crédit et la modélisation des risques

Bases de Python et de la gestion des données

  • Utilisation de Python pour la manipulation et l'analyse de données
  • Exploration de données financières avec Pandas et NumPy
  • Visualisation des données avec Matplotlib et Seaborn

Apprentissage supervisé pour la prédiction financière

  • Régression linéaire et logistique
  • Arbres de décision et forêts aléatoires
  • Évaluation des performances des modèles (précision, exactitude, rappel, AUC)

Apprentissage non supervisé et détection d'anomalies

  • Techniques de clustering (K-means, DBSCAN)
  • Analyse en Composantes Principales (PCA)
  • Détection des valeurs aberrantes pour la prévention de la fraude

Attribution de scores de crédit et modélisation des risques

  • Construction de modèles de scoring de crédit à l'aide de la régression logistique et d'algorithmes basés sur des arbres
  • Traitement des ensembles de données déséquilibrés dans les applications de risque
  • Interprétabilité et équité des modèles dans la prise de décision financière

Détection de fraude avec le Machine Learning

  • Types courants de fraude financière
  • Utilisation d'algorithmes de classification pour la détection d'anomalies
  • Stratégies de scoring et de déploiement en temps réel

Déploiement des modèles et éthique dans l'IA financière

  • Déploiement de modèles avec Python, Flask ou des plateformes cloud
  • Considérations éthiques et conformité réglementaire (par exemple, RGPD, explicabilité)
  • Surveillance et réentraînement des modèles dans des environnements de production

Résumé et prochaines étapes

Pré requis

  • Une compréhension des statistiques de base et des concepts financiers
  • Une expérience avec Excel ou d'autres outils d'analyse de données
  • Des connaissances de base en programmation (de préférence en Python)

Public visé

  • Analystes financiers
  • Actuaires
  • Responsables des risques
 21 Heures

Nombre de participants


Prix par participant

Nos clients témoignent (5)

Cours à venir

Catégories Similaires