Inscrivez-vous à cette formation accréditée par scale ai et bénéficiez d’un rabais de 25% sur le tarif régulier. Des critères d’admissibilité s’appliquent. Si vous êtes admissible, sélectionnez le type de billet « Rabais Scale ai 25% » lors de la réservation.
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 institutions financières les utilisent pour prédire la probabilité de défaut sur les prêts. Les autorités de règlementation 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.
Dans quelles situations ces techniques sont-elles appropriées? Quelle est leur valeur ajoutée par rapport à l’analyse standard? Comment construire un ensemble d’information pertinent pour les preneurs de décision?
Le but de cette formation est de familiariser les participants avec les méthodes d’apprentissage automatique (Machine learning) et l’utilisation des données massives (Big data).
Clientèle
Cette formation est destinée aux employé(e)s de différentes organisations publiques ou privées intéressé(e)s par l’analyse quantitative. Des connaissances minimales en analyse statistique sont nécessaires.
Objectifs spécifiques
Après la formation, les participants seront en mesure de mieux comprendre les résultats d’études utilisant les méthodes de machine learning et des données massives. De plus, ils seront en mesure de formuler une approche empirique afin d’analyser et prévoir des phénomènes économiques dans le contexte des données massives et en utilisant quelques méthodes de base.
Les objectifs sont :
- Bien comprendre la méthodologie de base de l’apprentissage machine en utilisant des exemples très simples.
- Apprendre les méthodes les plus simples de prévisions en particulier les méthodes de régression
- Savoir interpréter les résultats obtenus des méthodes de régressions
- Maitriser le code R permettant de faire de la prévision à partir des méthodes de régression avec des exemples pratiques
Contenu
Les principaux thèmes couverts sont :
- Régression linéaire
- Apprentissage statistique
- Théorie de la prévision
- Spécification des modèles
- Validation croisée
- Méthodes et choix de modèles linéaires
- Concept de régularisation
- Modèle à facteurs et analyse par composantes principales
Approche pédagogique
Présentation, échanges, discussions. Des applications en économie, finance et assurance seront considérées pour bien illustrer les différentes méthodologies. Le matériel pédagogique utilisé : livres, notes de cours, codes R et/ou Matlab. Les codes R et/ou Matlab sont documentés pour une utilisation facile.
Durée
1 journée
Dates en 2021 à venir
Frais d’inscription
545 $ + taxes
0,7 (UEC)
Lieu
ESG UQAM
315, rue Sainte-Catherine Est, Montréal, entre les rues Sanguinet et Saint-Denis
Promotion
Si vous êtes éligible à un tarif préférentiel, sélectionnez le type de billet approprié lors de votre réservation.