Merci d'avoir envoyé votre demande ! Un membre de notre équipe vous contactera sous peu.
Merci d'avoir envoyé votre réservation ! Un membre de notre équipe vous contactera sous peu.
Plan du cours
Introduction aux Machine Learning dans le secteur des Finance
- Aperçu de l'IA et du ML dans l'industrie financière
- Types d'apprentissage automatique (supervisé, non supervisé, renforcement)
- Cas pratiques en détection de fraudes, notation de crédit et modélisation des risques
Python et bases de la gestion des données
- Utilisation du Python pour la manipulation et l'analyse des données
- Exploration des jeux de données financières avec Pandas et NumPy
- Visionnage des données grâce à Matplotlib et Seaborn
Supervised Learning pour la prédiction financière
- Régression linéaire et logistique
- Arbres de décision et forêts aléatoires
- Évaluation des performances du modèle (précision, rappel, AUC)
Unsupervised Learning et détection d'anomalies
- Téniques de regroupement (K-means, DBSCAN)
- Analyse en composantes principales (PCA)
- Détection des valeurs aberrantes pour prévenir les fraudes
Notation de crédit et modélisation des risques
- Construction des modèles de notation de crédit avec la régression logistique et les algorithmes basés sur les arbres de décision
- Gestion des jeux de données déséquilibrés dans les applications de risque
- Interprétabilité du modèle et équité dans la prise de décisions financières
Détection de fraudes avec Machine Learning
- Types courants de fraude financière
- Utilisation des algorithmes de classification pour détecter les anomalies
- Straatégies d'évaluation en temps réel et déploiement
Déploiement du modèle et éthique dans l'IA financière
- Déploiement des modèles avec Python, Flask ou plateformes cloud
- Considérations éthiques et conformité réglementaire (par exemple, GDPR, explication)
- Suivi et réentrainement des modèles dans les environnements de production
Résumé et prochains pas
Pré requis
- Une compréhension des concepts de base en statistiques et en finance
- Expérience avec Excel ou autres outils d'analyse de données
- Connaissances de programmation de base (de préférence en Python)
Public visé
- Analystes financiers
- Actuaires
- Délégués du risque
21 Heures
