Big Data et Machine Learning avec applications économiques et financières

Des exemples d’utilisation de machine learning et big data sont nombreux. Les firmes ayant accès aux données massives, telles que Google, Amazon, Facebook, font usage de l’apprentissage automatique pour prédire les comportements d’achat des consommateurs. Les compagnies d’assurances s’en servent pour développer des indices de risque pour les individus, tandis que les pharmaceutiques s’en servent afin de prédire certaines maladies, en particulier les plus rares. Les institutions financières les utilisent pour prédire la probabilité de défaut sur les prêts. Les autorités de réglementation financière exploitent ces techniques pour mener les tests de stress afin d’évaluer la capacité du système bancaire à faire face aux risques économiques. Ces méthodes ont connu du succès dans la prévision des agrégats macroéconomiques également.

Par contre, plusieurs problèmes se posent lors de la mise en pratique. Bien que les méthodes de machine learning soient documentées et que plusieurs programmes informatiques soient accessibles, l’utilisation de ces techniques reste encore une boite noire. Comment construire un ensemble d’informations pertinent pour les preneurs de décision? Comment extraire l’information interprétable à partir de ces bases de données? Comment utiliser cette information dans le but de faire de la prévision ainsi que de l’analyse des phénomènes économiques? Quelles méthodes devraient être privilégiées et dans quelles situations?

L’objectif général de cette formation est de répondre à ces questions en développant les connaissances et les compétences spécifiques à l’analyse des grandes bases de données et à l’utilisation de machine learning. L’accent est mis sur l’application des méthodes et l’apprentissage est supporté par un grand nombre d’exemples pratiques. En particulier, la formation permet aux participants d’apprendre à : (i) chercher les données pertinentes; (ii) identifier les techniques statistiques appropriées; (iii) utiliser la théorie économique pour analyser les données et interpréter les résultats; (iv) tirer des conclusions rigoureuses.

Clientèle

Cette formation est destinée aux employés intéressés par l’analyse quantitative. Ils peuvent provenir de différents milieux professionnels ; de firmes privées (compagnies d’assurance, institutions financières, Caisse de dépôt et placement, etc.), d’institutions parapubliques (Autorité des marchés financiers, Hydro-Québec, SCHL, etc.) ou des gouvernements fédéral et provincial (Ministères des finances, Revenu Québec, Emploi Québec, Industrie Canada, etc.)

Objectifs d’apprentissage

Après la formation, les participants seront en mesure de formuler une approche empirique afin d’analyser et de prévoir des phénomènes économiques dans le contexte des données massives et en utilisant quelques méthodes d’apprentissage automatique. Cette approche consiste en plusieurs éléments :

  • Identification de la problématique;
  • Construction de la base de données;
  • Choix de modélisation;
  • Interprétation des résultats.

Contenu

Les principaux thèmes couverts sont :

  1. Régression linéaire et apprentissage statistique;
  2. Théorie de la prévision;
  3. Bootstrap et validation croisée;
  4. Méthodes et choix de modèles linéaires, et le concept de régularisation;
  5. Modèles non-linéaires;
  6. Méthodes d’arbres;
  7. Boosting;
  8. Deep Learning;
  9. Modèle à facteurs et analyse par composantes principales;
  10. Agrégation des prévisions.

Personnes-ressources

Dalibor Stevanovic, Ph. D.

Monsieur Stevanovic est professeur agrégé au département des sciences économiques à l’École des sciences de la gestion de l’Université du Québec à Montréal. Il enseigne dans les programmes de 2e et 3e cycles en sciences économiques et à la maîtrise en finance appliquée. Avant son arrivée à l’UQAM, il a complété son doctorat à l’Université de Montréal, et a été chercheur invité à University of Pennsylvania, European University Institute et Banque de France. Il a agi à titre de consultant pour le Ministère des finances du Québec, la Régie des rentes du Québec et la Confédération des syndicats nationaux. Il est spécialisé en économétrie des séries temporelles et en analyse statistique des grands ensembles de données. Les méthodologies qu’il développe sont appliquées dans l’identification des chocs financiers et l’estimation de leurs effets sur l’activité réelle, la prévision des variables macroéconomiques et l’exploration des changements structurels. Les résultats de ses travaux ont été publiés dans des revues internationales en sciences économiques et ont été présentés dans plusieurs conférences à travers le monde.

Philip Merrigan, Ph. D.

Monsieur Merrigan est professeur titulaire au département des sciences économiques à l’École des sciences de la gestion de l’Université du Québec à Montréal. Il enseigne dans les programmes de 2e et 3e cycles en sciences économiques. Il a obtenu son doctorat à Brown University. Les recherches du professeur Merrigan portent sur l’économétrie et les méthodes statistiques, le comportement des ménages, le bien-être et la pauvreté, l’économie du travail et de l’emploi, et l’attribution de temps. Il a agi à titre de consultant auprès de Analysis Group, Développement des ressources humaines Canada; Comité d’experts, Enquête longitudinale nationale sur la jeunesse canadienne; Comité des retombées, Conseil Québécois de la Recherche Sociale; et le Réseau canadien de recherche en politiques publiques. Le professeur Merrigan a publié de nombreux articles dans des revues prestigieuses sur des sujets tels que la politique d’aide sociale au Canada, la santé mentale et le chômage.

Durée

2 jours

Lieu

315, rue Sainte-Catherine Est, Montréal, entre les rues Sanguinet et Saint-Denis

Local

R-1935

Frais d’inscription

Voir le tableau plus bas
1.4 (UEC)

 

L’ESG+

L’ESG+ est un continuum de services entre l’académique et le monde des affaires et dessert aussi bien les étudiants et diplômés de l’ESG UQAM que les professionnels et dirigeants en poste ou en devenir.

Coordonnées

ESG+
École des sciences de la gestion
Local R-1885
315, rue Sainte-Catherine Est
Montréal (Québec) H2X 3X2