Partie 1 : Introduction aux Concepts de Base

1.1 Comprendre les fondamentaux

• Démystification des termes clés : big data, machine learning, IA.
• Processus général de construction d’un algorithme d’apprentissage.

1.2 Formulation du problème

• Exploration des données et formulation de la problématique.
• Choix d’un algorithme adapté à la problématique.

Partie 2 : Techniques de Machine learning

2.1 Apprentissage non supervisé

• Analyse des structures des données :
  • Analyse en composante principale (ACP).
  • Décomposition en valeurs singulières (SVD).
• Clustering et segmentation :
  • Exemples d’algorithmes : K-means et classification hiérarchique
  • Comparatif d’un ensemble d’algorithmes

2.2 Apprentissage supervisé

• Modèles de régression :
  • Linéaire, logistique, ridge et lasso.
• Méthodes de classification :
  • Classification Bayésienne Naïve.
  • Arbres de décision.
  • Machine à vecteurs de support (SVM).
  • Analyse discriminante linéaire.
• Introduction aux réseaux de neurones :
  • Compréhension des bases et cas d’usage courants.

2.3 Problématiques spécifiques au Machine Learning

• Gestion du sur-apprentissage (overfitting).
• Importance des bases d’apprentissage et de test.

Partie 3 : Validation et Évaluation des Modèles

3.1 Critères d’évaluation

• Erreur quadratique moyenne (MSE).
• Matrice de confusion et F-score.
• Coefficient de Gini.
• Courbe ROC et AUC.

3.2 Validation et sélection des modèles

• Méthodes pour valider les performances des modèles.
• Comparaison des modèles pour choisir le plus adapté.

3.3 Interprétation des résultats des modèles

• Visualisation des importances des variables (features importance)
• Compréhension des décisions prises par des modèles complexes (ex. : SHAP, LIME).
• Communication des résultats aux parties prenantes non techniques.

Partie 4 : Applications Pratiques en Assurance

4.1 Automatisation et efficacité opérationnelle

• Automatisation des processus de souscription.
• Analyse et amélioration de la qualité des données.

4.2 Analyse et prévisions

• Tarification et segmentation tarifaire.
• Analyse des sinistres et prédiction des sinistres graves.

4.3 Marketing et détection de fraude

• Conversion, acquisition et rétention des clients.
• Détection et prévention des fraudes.