Voor de workshops geldt dat basiskennis van Python noodzakelijk is.
Doelgroep
Actuarieel professionals.
Keuze workshops
De workshops zijn opvolgend in kennis en vaardigheid. Beheerst u de basis van machine learning en regressiemodellen al? Start dan met de workshops over tree-based machine learning (blok 2).
Er is plaats voor maximaal 12 deelnemers. Deelnemers worden begeleid door twee docenten die de workshops en de oefeningen samen begeleiden.
Als u nog niet (voldoende) thuis bent in Python, dan adviseren wij om op 20 januari 2023 eerst de online basiscursus Python voor actuarieel professionals te volgen.
Los blok volgen
Een los blok volgen kan ook! Ga terug naar de PE-agenda en dan naar de startdatum van het desbetreffende blok. Vanaf daar kunt u zich inschrijven.
Certificaat
Heeft u alle zes workshops gevolgd, dan ontvangt u het certificaat ‘Hands-on machine learning met Python’ van het Actuarieel Instituut.
Individuele begeleiding
Tijdens de workshops werkt u aan opdrachten in Python. Via break-out rooms is individuele ondersteuning mogelijk. U kunt op twee manieren de hands-on oefeningen volgen en zelf uitvoeren:
- Optie 1: via een Google Colaboratory (Colab) staan de nodige libraries en data sets klaar en kan u code schrijven en uitvoeren in de browser; dit is een zeer toegankelijke manier om de workshop te volgen
- Optie 2: via een lokale installatie van Python, bijv. via het distributieplatform Anaconda, en een IDE voor Python (bijv. PyCharm of Spyder). Per sessie wordt een notebook ter beschikking gesteld met de nodige instructies, voorbeelden en oefeningen. Notebooks zullen ter beschikking gesteld worden via module specifieke GitHub repo’s. Voorafgaand aan elke sessie installeren de deelnemers die voor een lokale installatie opteren de nodige libraries, volgens instructies aangeleverd door de docenten.
Blok 1
Machine learning fundamenten (07-03-2023 van 09.30–12.30 uur)
- Knowing me, knowing you: statistical, machine learning & actuarial learning
- Model accuraatheid en loss functies
- Overfitting en bias-variance trade off
- Introductie van de data sets die in module 1 en 2 gebruikt worden; verkennende data analyse en visualisatie met Numpy, pandas en Matplotlib
- Data splitting, resampling methods met scikit-learn: sklearn.model_selection
- Parameter tuning met scikit-learn: sklearn.model_selection
- Target en feature engineering: data pre-processing steps zoals centering, scaling, omgaan met missing data, (near) zero variance met scikit-learn: sklearn.preprocessing.
Regressie modellen (14-03-2023 van 09.30–12.30 uur)
- Regressiemodellen in Python met scikit-learn en via statsmodels, de statsmodels.api en de formule aanpak via statsmodels.formula.api
- Lineaire regressie met statsmodels: statsmodels.regression.linear_model
- Generalized Linear Models: schatten, model fit inspecteren, predicties en evalueren van model fit via statsmodels: statsmodels.genmod.generalized_linear_model
- Regularized (G)LMs: basic set up met statsmodels en scikit-learn
Blok 2
Tree-based machine learning methods (deel 1: 21-03-2023 van 09.30–12.30 uur)
- Tree basics
- Toy example voor regressie, met scikit-learn: sklearn.tree
- Pruning via cross-validatie: k-fold cross validatie, minimal cv error en one standard error rule in Python’s scikit-learn: sklearn.model_selection.
- Toy example voor classificatie
- Claim frequency en severity modelling: focus op beschikbare loss functies
- Interpretatie tools, via variable importance plots en partial dependence plots met scikit-learn: sklearn.inspection.
Tree-based machine learning methods (deel 2: 28-03-2023 van 09.30–12.30 uur)
- Bagging met scikit-learn: sklearn.ensemble Bagging
- Van bagging naar random forests met scikit-learn: sklearn.ensemble RandomForest
- Tuning en bespreking beschikbare loss functies
- (Stochastic) Gradient Boosting Machines met scikit-learn: sklearn.ensemble GradientBoosting
- Tuning, predicties, interpretative tools
- Claim frequency en severity modeling met XGBoost
Blok 3
Neurale netwerken (deel 1: 18-04-2023 van 09.30–12.30 uur)
- Toolbox: Keras API als interface naar TensorFlow
- Introductie tot niet tabulaire data zoals afbeeldingen
- Fundamentals van neurale netwerken: concepten, model building en training
- Een eerste Artificial Neural Network
- Image classification
- Interpretatie tools
Neurale netwerken (deel 2: 25-04-2022 van 09.30–12.30 uur)
- Claim frequentie en severity gemodelleerd met een ANN
- CANNs: Combined Actuarial Neural Networks
- Convolutional neural networks: layers, evaluatie en interpretatie
- Clustering en dimensie reductie via autoencoders
Voorbereiding voor deelnemers
Voor aanvang van de workshop(s) maakt u een account aan voor Google Colab of test u uw eigen lokale installatie van Python.
Inloggen voor de workshops
U ontvangt een dag voor het webinar uw unieke inlogcode voor het webinar-programma Zoom Pro, wij verzoeken u een kwartier voor aanvang in te loggen. Met het activeren van alle veiligheidsopties in Zoom Pro is een veilige, online omgeving gecreëerd. Kijk hier wat u van ons ontvangt om Zoom Pro te gebruiken en het webinar te kunnen volgen.
Sprekers
Prof. dr. Katrien Antonio is hoogleraar actuariaat aan de KU Leuven en hoogleraar actuariële data science aan de Universiteit van Amsterdam.
Dr. Ir. Roel Henckaerts is data scientist bij Prophecy Labs, een AI/ML startup.
Dr. Jonas Crevecoeur is postdoctoraal onderzoeker in biostatistiek aan de KU Leuven en de Universiteit Hasselt.
Ik ben nog geen klant en wil een account aanmaken: https://www.actuarieelinstituut.nl/inschrijven-bijeenkomst.htm.