![](https://www.caritat.fr/wp-content/themes/caritat/images/ppc/21.png)
Programme de la formation
Comprendre la notion d’interprétabilité intrinsèque en Machine Learning dans un contexte de tarification en assurance non-vie
Introduction
- Structure paramétrique d’un modèle linéaire généralisé (GLM)
- Structure non-paramétrique des modèles de Machine Learning
- Applicabilité opérationnelle des modèles GLM et Machine Learning
Modèles de Machine Learning
- Arbre de décision CART
- Agrégation des modèles et notions de Bagging et de Boosting
Modèles additifs généralisés (GAM) et leurs extensions
- Structure semi-paramétrique d’un modèle GAM
- Paradigme lissage et apprentissage
- Combinaison des composantes univariées des modèles de Machine Learning au sein d’un modèle GAM
- Présentation d’un cas pratique : modèle GAM combinant des arbres de décision (Explainable Boosting Machine)
Des exemple concrets seront déroulés tout au long de la formation, afin d’illustrer les concepts théoriques.
Formation proposée en partenariat avec :
![](https://www.caritat.fr/wp-content/uploads/2024/01/telechargement.png)