Applications informatiques en finance quantitative

Ects : 9
Coefficient : 3
Compétence à acquérir :
Comprendre les principes algorithmiques des techniques de Machine Learning
Sélectionner et paramétrer une technique d’apprentissage adaptée à une problématique décisionnelle
Réaliser des prédictions et des classifications à partir de données massives structurée et non-structurées
Mode de contrôle des connaissances :
Examen en salle machine plus contrôle continu (en option)
Pré-requis recommandés :
Algorithmique et programmation ainsi que
Data Management sous Python

Description du contenu de l'enseignement :
Introduction au Machine Learning (apprentissage supervisé)
K plus proches voisinsArbre de décision
Méthodologie
Notion sur sur-apprentissageValidation croisée / Bootstrap
Méthodes ensemblistes
BaggingRandom ForestsBoosting
Support Vector Machine et méthodes à noyaux
Deep Learning
Données déséquilibrées
Area Under Curve (AUC) et autres mesures de qualitéStratégies d’apprentissage
Apprentissage non-supervisé
Classification non supervisée (clustering)Recherche de schémas fréquents et de points aberrants

Bibliographie, lectures recommandées
Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow, 2nd Edition par Aurélien Géron, Released September 2019, O'Reilly Media, Inc.