Programme
À l’issue de la formation, les apprenants acquerront une meilleure maîtrise des outils proposés par la data science dans un contexte de pilotage financier de la banque. Sur cette question qui mobilisent beaucoup d’acteurs nouveaux ou bien établis, cette formation vise à éclairer vos pistes de réflexion et de travail, à favoriser les échanges entre professionnels de la fonction finance du secteur bancaire et à vous permettre de séparer « le bon grain de l’ivrée » dans le maquis des offres autour de la « Data ».
Définition de la Data Science et positionnement par rapport à l’Intelligence Artificielle, le machine learning, le deep learning, …
Présentation de quelques réalisations classiques de cette discipline.
Les nouveaux métiers et compétences associés.
Les environnements de travail habituels et ceux retenus pour cette formation : Anaconda, Python, Matplotlib, Scikit-Learn.
Support PowerPoint.
Documents CIGREF et BPI sur le secteur bancaire et la révolution digitale.
Principes généraux de l’algorithme.
Application au cas de la classification et à la régression linéaire.
Forces, faiblesses et principaux paramètres de réglage.
Exemple d’utilisation sur des données générées et sur des données d’analyse des impayés.
Support PowerPoint.
Python et données synthétiques et/ou issues de la distribution d’un produit en ligne
Principes généraux de l’algorithme.
Application au cas de la classification et à la régression linéaire.
Forces, faiblesses et principaux paramètres de réglage.
Exemple d’utilisation sur des données générées et sur des données d’attrition de la clientèle (analyse du « churn rate »).
Support PowerPoint.
Python et données synthétiques et/ou issues de la distribution d’un produit en ligne.
Principes généraux de l’algorithme.
Application au cas de la classification et à la régression linéaire.
Forces, faiblesses et principaux paramètres de réglage.
Exemple d’utilisation sur des données générées et sur des données financières.
Support PowerPoint.
Python et données synthétiques et/ou issues de la distribution d’un produit en ligne.
Éléments à retenir des algorithmes présentés.
Survol des autres algorithmes appartenant à cette classe de méthodes.
Références bibliographiques et vidéos pour aller plus loin.
Support PowerPoint.
Sites contenant des vidéos de présentation de ces techniques.
Principes généraux de l’algorithme.
Application au cas de la clusterisation et à la visualisation de données complexes.
Forces, faiblesses et principaux paramètres de réglage.
Exemple d’utilisation sur des données générées et sur des données financières.
Support PowerPoint.
Python et données synthétiques et/ou issues de la distribution d’un produit en ligne.
Principes généraux de l’algorithme.
Application au cas de la clusterisation et à la réduction de dimension.
Forces, faiblesses et principaux paramètres de réglage.
Exemple d’utilisation sur des données générées et sur des données financières.
Support PowerPoint.
Python et données synthétiques et/ou issues de la distribution d’un produit en ligne.
Principes généraux de l’algorithme.
Application au cas de la réduction de dimension et à la visualisation de données complexes.
Forces, faiblesses et principaux paramètres de réglage.
Exemple d’utilisation sur des données générées et sur des données financières.
Support PowerPoint.
Python et données synthétiques et/ou issues de la distribution d’un produit en ligne.
Présentation d’une démarche globale de construction d’un prototype.
Techniques de réglage des hyperparamètres et de validation des modèles construits.
Limites et compromis à trouver à l’automatisation.
À propos de la visualisation des données avec python.
Support PowerPoint.
Recherches en ligne.
Python et données synthétiques.
Vidéos sur internet.
Synthèse des deux journées.
Évaluation à chaud et sur imprimé de la formation.
Questions/réponses.
Fiches d’évaluation.
Pré-requis
Date
01 70 61 48 63
gabriel@afges.com
