KEREIS

Problématique

Kereis souhaite accompagner ses actuaires, dans la montée en compétences sur les sujets de DataScience. La discipline devrait parler aux actuaires (modélisation mathématique et programmation), pourtant les DataScientists semblent parler une autre langue et utilisent d’autres outils. L’ambition est de sensibiliser les actuaires aux évolutions et bénéfices qu’apportent les nouveaux outils Analytics, sur des applications actuarielles. Les participants pourront présenter une posture de résistance, et peu voient l’intérêt de basculer sur des librairies Python compte tenu de leur maitrise de SAS.

Objectifs pédagogiques

  • Permettre aux actuaires d’identifier leurs forces dans la prise en mains des outils Analytics – rassurer pour donner l’élan & la motivation de commencer
  • Se familiariser avec l’écosystème de la DataScience (vocabulaire, outils, les algorithmes)
  • Assimiler les « best practices » (proper fitting, leaks, choix du modèle)
  • Identifier des cas d’usages pour application immédiate

Programme proposé

2 jours de formation : « Introduction à la DataScience pour actuaires – premier niveau »
  • 2 ateliers de programmation sur Python
  • 1 atelier pour identifier des cas d’usage à mettre en œuvre en internet
  • Prise en main d’outils de modélisation et d’interprétation de modèles de Machine Learning

ALLIANZ

Objectifs pédagogiques

  • Se confronter aux enjeux de la data science
  • Maîtriser les notions clés et le vocabulaire associés à la gestion de projet Data
  • Intégrer les bonnes pratiques de la modélisation
  • Être capable de challenger une équipe de Datascientist

Programme proposé

3 sessions 1/2 journée en distanciel : « L’Essentiel de la Data Science pour les Managers »
  • Demystification – IA vs Machine Learning
  • Modèles supervisés et non-supervisés et processus d’apprentissage
  • Les outils des Data Scientists (BI, Cloud, open-source, …)
  • Présentation d’algorithmes (Régression, Random, Forest, …)
  • Les bonnes pratiques essentielles et la Cross Validation
  • Comment choisir le bon algorithme ?
  • Evaluation des modèles de Machine Learning