Principes d'apprentissage supervisé et non supervisé, comparaison de modèles prédictifs à l'aide de mesures de performance, validation croisée. Traitement de données manquantes. Analyse en composantes principales. Techniques de classification non supervisée (concept de distance, classification hiérarchique, méthodes des k-moyennes). Régression et classification supervisée (k plus proches voisins, arbres décisionnels, bagging, forêts aléatoires, boosting). Utilisation de R pour résoudre des problèmes actuariels.
Principes d'apprentissage supervisé et non supervisé, comparaison de modèles prédictifs à l'aide de mesures de performance, validation croisée. Traitement de données manquantes. Analyse en composantes principales. Techniques de classification non supervisée (concept de distance, classification hiérarchique, méthodes des k-moyennes). Régression et classification supervisée (k plus proches voisins, arbres décisionnels, bagging, forêts aléatoires, boosting). Utilisation de R pour résoudre des problèmes actuariels.
