Comprendre les principes de détection de fraudes, et pratiquer des algorithmes de machine learning sur des cas concrets.

Conception des processus

• Cadre légal des fraudes en assurance
• Type de fraudes, types d’anomalies, et types de risques
• Processus anti-fraudes
• Actions prescriptives et types automatisation

Sources de données et nettoyage

• Données internes (problématique de qualité de données)
• Dark data (problématique de transformation des données)
• Utilisation des données externes (problématique de jointure des données)
• Construction d’indicateurs
• Transformation des données (données tabulaires, textes, images)

Méthodes de détection de fraudes

• Construction de preuves de fraudes
• Règles déterministes
• Détection d’anomalies
• Méthodes non supervisées
• Classification des fraudes

Cas pratiques

• Détection des anomalies avec bases de référence
• Classification binaire
  • Arbre de décision
  • SVM
  • Régression logistiques
  • Autres algorithmes de classification
• Détection des aberrations
  • Détection des valeurs aberrantes
  • Détection des variables aberrantes
• Segmentation avec Kmeans
  • Normalisation des variables
  • Segmentation et détection d’anomalies

Visualisation des résultat

• Tableau de bord de pilotage et de suivi d’indicateurs
• Outils de surveillance