Meld u nu aan

3-daagse praktijk training

Data Science & Machine Learning voor risk professionals

26 september, 3 & 10 oktober 2018 | Coengebouw Amsterdam

Snel overzicht in machine learning technieken voor uw verzekeringstaken

Wilt u in korte tijd uw kennis en vaardigheden bijspijkeren met betrekking tot machine learning technieken? Of bent u op zoek naar een overzicht van het gebruik van machine learning in specifieke verzekeringstaken? In de 3-daagse praktijktraining Data Science & Machine learning voor risk professionals oefent u het opzetten en kalibreren van de verschillende methoden. Aan de hand van case studies in R/Python besteedt u specifiek aandacht aan het interpreteren van de resultaten en een vergelijking van verschillende modellen.

Niet de juiste voorkennis? Achtergrond in econometrie, statistiek of kennis van machine learning is niet vereist. Basiskennis van R is in uw voordeel.

Inclusief: 18 PE punten van het Actuarieel genootschap

Uw resultaat

  • Inzicht in de werking van Machine learnning technieken

    Ken de belangrijkste voor- en nadelen

  • PE punten

    U ontvangt 18 PE punten bij volledige deelname

  • Nieuwe patronen inzichtelijk

    Ontdek nieuwe trends in datasets met machine learning

  • Een interessante uitbreiding van uw werkgebied

    Vul uw domeinkennis aan met Data Science en Machine learning

  • De kennis toepassen op relevante data

    Gebruik de technieken op bestaande datasets

  • Inzicht in wanneer u welke technieken moet inzetten

    Realiseer hogere resultaten voor uw bedrijfsvoering

Programma

26 september 2018 | Introductie, buzz woorden verklaard, over GLMs, GAMs en regularization

  • Een korte verkenning van het Machine Learning landschap

    » Doing data science
    » What’s in a name: predictive modeling, statistical learning, machine
    learning

  • Overzicht modellen en hun karakteristieken

    » Accuracy vs interpretability
    » Model building process
    » Tasks in insurance

  • Wat is predictive modeling: buzz woorden verklaard

    » Response or target
    » Features en feature engineering
    » Inference vs prediction
    » Supervised vs unsupervised learning
    » Regressie vs classificatie en vertaling naar actuariële taken
    » Loss functies
    » Training vs test error
    » Overfitting
    » Resampling technieken (cross validatie: validatie set, leave-one-out,
    k-fold; bootstrap)
    » Tuning (hyper)parameters

  • Van lineaire regressie naar Generalized Linear Models (GLMs)

    » Welke response (0/1, frequenties, severities, …) viz welke likelihood?
    » Categorische en continue ‘features’ of risicokarakteristieken
    » Schatten van een GLM (logistisch, Poisson, gamma en normaal na log
    transformatie), interpretatie van de output, predicties adhv GLM
    » Model selectie criteria (voor classificatie o.a. AUC, ROC, lift chart;
    voor regressie: deviance; Gini, Lorenz curve, AIC/BIC, …)

  • Van Generalized Linear Models naar Generalized Additive Models (GAMs)

    Het effect van continue features op de response
    » Omgaan met spatial informatie
    » Schatten van een GAM, interpretatie van de output, predicties adhv GAM
    » Model selectie criteria

  • Regularization methods

    » ridge regression
    » LASSO (en friends)

3 oktober 2018 | Tree based technieken

  • Decision trees voor classificatie en regressie

    » CART
    » Building a regression tree for different types of responses
    (0/1, frequency, severity)
    » Tuning parameters
    » Cost complexity pruning
    » Interpretation: variable importance, partial dependence plots,
    individual conditional expectation, overall performance
    » Prediction
    » Pros and cons

  • Bagging

    » Bootstrap aggregating, with regression or classification trees
    » Interpretation: variable importance, partial dependence plots,
    individual conditional expectation, overall performance
    » Prediction
    » Pros and cons

  • Random forests

    » Decorrelating the trees
    » Interpretation: variable importance, partial dependence plots,
    individual conditional expectation, overall performance
    » Prediction
    » Pros and cons

  • Boosting

    » Gradient boosting and XGBoost
    » Tuning (hyper)parameters
    » Interpretation: variable importance, partial dependence plots,
    individual conditional expectation, overall performance
    » Prediction
    » Pros and cons
    » More on boosting: model boosting

10 oktober 2018 | Neurale netwerken, outlook

  • Neural Networks

    » Multilayer Perceptrons
    » Convolutional Neural Network (CNN)
    » Recurrent Neural Network (RNN)

    Met gastdocent Raymond van Es, MSc, MBA, Chief Analytics Officer bij Ortec Finance Data Analytics

  • Data science: verhalen van de frontlijn

    » Wrap up vanuit de trainer en delen van ervaringen van de deelnemers

Voor wie is deze training?

  • Actuarissen
  • Econometristen
  • Risk managers die hun kennis van en vaardigheden met betrekking tot machine learning technieken willen bijspijkeren (‘going beyond linear and generalized linear models’)
  • Data scientists die op zoek zijn naar een overzicht van het gebruik van machine learning technieken in specifieke verzekeringstaken (bijv. tarifering).

Docenten

Katrien Antonio

Universitair docent Actuaritaat UvA en Universiteit van Leuven Bekijk op LinkedIn

Tickets

Locatie

Coengebouw Kabelweg 37 1014 BA Amsterdam, Nederland

Meer weten?

Heeft u nog vragen of wilt u persoonlijk advies? Onze adviseurs staan u graag te woord over de mogelijkheden.

Rens Nijenhuis | IIR
Persoonlijk advies en/of vragen over uw registratie?

Neem dan contact op met Rens Nijenhuis. 020 - 580 5464 E-mail Rens

Jeremy Stevens | IIR
Deze training op maat?

Neem dan contact op met Reinier Terpstra. 020 - 580 5441 E-mail Reinier

Ook interessant voor u

Wij gebruiken cookies om IIR.nl gemakkelijk te maken. Bezoekt u onze website, dan gaat u akkoord met deze cookies meer informatie

De cookie-instellingen op deze website zijn ingesteld op 'toestaan cookies "om u de beste surfervaring mogelijk. Als u doorgaat met deze website te gebruiken zonder het wijzigen van uw cookie-instellingen of u klikt op "Accepteren" hieronder dan bent u akkoord met deze instellingen.

Sluiten