|
Giovedì 2 luglio 2020
Machine Learning per le Assicurazioni: Case Studies
Siamo lieti di comunicarvi che, nonostante la situazione di emergenza sanitaria in cui si trova anche il nostro Paese, stiamo lavorando per dare continuità alla formazione, consapevoli delle difficoltà che ciascuno di noi sta attraversando, speriamo di farvi cosa gradita nell’offrirvi la possibilità di partecipare ai corsi in diretta web.
Ricordiamo che è possibile iscriversi anche online direttamente da questo sito.
Qualche giorno prima del corso, gli iscritti riceveranno, via mail, un link per il collegamento con una sala virtuale, con possibilità d’interazione con il docente. Il collegamento, attraverso la piattaforma skymeeting, non richiede nessuna installazione di software.
Il taglio del corso è pratico: saranno presentati dei casi d'uso, commentato il codice open-source Python ed R degli script, analizzati i risultati e indicati riferimenti per approfondimenti sull’argomento.
Data la vastità degli argomenti trattati non sarà possibile focalizzarsi sui dettagli di specifiche metodologie o sugli aspetti generali dei linguaggi di programmazione utilizzati. Una conoscenza almeno base dell'utilizzo dei modelli predittivi nonché di R e/o Phyton è fortemente consigliata per poter fruire adeguatamente dei contenuti del corso. Ai partecipanti saranno rilasciati presentazioni e codice dei relativi esempi.
Con la partecipazione al corso, che rientra tra le attività preclassificate, come stabilito dalle Linee Guida di attuazione del regolamento sulla Formazione Attuariale Continua, redatto ai sensi dell’art. 7 comma 3 del D.P.R. N. 137/2012, emanate dal Consiglio Nazionale egli Attuari in data 7 maggio 2018, saranno attribuiti 5 (cinque) CFP ai fini FAC (Formazione Attuariale Continua).
Docenti:
Dott. Giorgio Alfredo Spedicato (Gruppo Unipol) |
Programma del corso
Il corso presenterà applicazioni di tecniche di Machine Learning (ML) avanzate in ambito assicurativo, esemplificandone le potenzialità in settori di tradizionale appannaggio attuariale. Gli esempi verteranno su questi temi:
- Modelli di classificazione binaria: confronto tra GLM classici e approcci ML learning; focus su strumenti per confrontare la performance predittiva. Applicazioni alla modellazione dei riscatti di polizze vita e alla probabilità di occorrenza di sinistri.
- Modelli di regressione con dati di conteggio e a supporto positivo: confronto tra GLM e ML (boosting); utilizzo di Keras-Tensorflow per la stima di un modello congiunto di frequenza e costo medio congiunto.
- Spiegare un modello di ML: il pacchetto R DALEX confrontare modelli e “spiegare” le predizioni individuali.
- Utilizzo di reti neurali Keras-Tensorflow per:
a) Classificare immagini
b) Classificazione di documenti
Orario:
Giovedì 2 luglio 2020
09.15 – 09.30 Registrazione
09.30 – 11.00 Lezione
11.00 – 11.15 Pausa caffè
11.15 – 13.00 Lezione
13.00 – 14.00 Intervallo
14.00 – 15.30 Lezione
15.30 – 15.45 Pausa caffè
15.45 – 17.15 Lezione |
|
Segreteria operativa:
S.I.A. S.r.l. - Viale delle Milizie 1 - 00192 Roma
Tel. – 06/3202922, E-mail: info@sia-attuari.it
Federica Campanini
Numero dei partecipanti:
Il numero massimo di partecipanti è fissato in 70 unità, ammessi secondo l’ordine cronologico di
ricevimento della domanda.
Iscrizioni:
La scheda allegata va inviata alla segreteria della S.I.A.
s.r.l., Viale delle Milizie 1, 00192 Roma, tramite mail, entro giovedì 25 giugno 2020.
E' possibile inoltre l'iscrizione
online.
L'iscrizione al corso sarà confermata con nostra email.
Quota di iscrizione:
La quota di iscrizione per ogni partecipante è di Euro 450,00 + IVA. La quota dà diritto alla partecipazione ai lavori, al materiale didattico, alle due pause caffè giornaliere.
Modalità di
pagamento:
Il versamento della quota di iscrizione, da effettuarsi successivamente alla nostra conferma, dovrà pervenire entro e non oltre l’inizio del corso, con l’evidenza del corrispondente numero di fattura.
Eventuali rimborsi per impedita partecipazione saranno consentiti nella misura dell’80% se la mancata partecipazione sarà comunicata per iscritto almeno 2 giorni prima dell’inizio del corso.
|
Calendario corsi
