(in Polish) Uczenie Statystyczne w Naukach Aktuarialnych II
General data
Course ID: | 2400-ZEWW904 |
Erasmus code / ISCED: |
14.3
|
Course title: | (unknown) |
Name in Polish: | Uczenie Statystyczne w Naukach Aktuarialnych II |
Organizational unit: | Faculty of Economic Sciences |
Course groups: |
(in Polish) Przedmioty kierunkowe do wyboru - studia II stopnia IE - grupa 2 (2*30h) (in Polish) Przedmioty Ścieżki Aktuarialnej (in Polish) Przedmioty wyboru kierunkowego dla studiów licencjackich IE |
ECTS credit allocation (and other scores): |
3.00
|
Language: | Polish |
Type of course: | optional courses |
Short description: |
(in Polish) Celem przedmiotu jest zapoznanie studentów z metodami uczenia statystycznego stosowanymi w ubezpieczeniach, w szczególności z drzewami regresyjnymi i sieciami neuronowymi. Przedstawione zostaną metody kalibracji i walidacji predyktorów, wnioskowania i interpretacji wyników metod uczenia maszynowego. Metody analizy danych i uczenia statystycznego zostaną zilustrowane przykładami obliczeniowymi z praktyki aktuarialnej (z obszaru taryfikacji ubezpieczeń). Przedmiot może stanowić pomoc w przygotowaniu studenta do państwowych egzaminów aktuarialnych. |
Full description: |
(in Polish) 1. Idea taryfikacji i modele predykcyjne w ubezpieczeniach (2 godz.) 2. Moc predykcyjna modelu i metody cross-validation (4 godz.) 3. Drzewa regresyjne (4godz.) 4. Metody bagging, (2 godz.) 5. Lasy losowe (2 godz.) 6. Metoda boosting (2 godz.) 7. Warianty metody boosting: gradient boosting, XGBoost, LightGBM (4 godz.), 8. Drzewa Poissona i Gamma (2 godz.) 9. Głębokie sieci neuronowe (4 godz.) 10. Dekompozycja Murhy’ego zgodnych funkcji strat (2 godz.) 11. Metody graficzne oceny jakości dopasowania i mocy predykcyjnej modelu: krzywe Lorenza, krzywe koncentracji, współczynnik Giniego, diagram Murphy’ego (2 godz.) |
Bibliography: |
(in Polish) 1. “Effective Statistical Learning Methods for Actuaries I I II” - M. Denuit, D. Hainaut, J. Trufin, Springer, 2019 i 2020 2. “Statistical Foundations of Actuarial Learning and its Applications” - M.V. Wuthrich, M. Merz, Springer, 2023 |
Learning outcomes: |
(in Polish) Wiedza: Student: • zna rodzaje drzew regresyjnych i sieci neuronowych, obszary zastosowań i algorytmy kalibracji predyktorów, • zna metody oceny i wyboru predyktora, • potrafi wymienić korzyści z drzew regresyjnych i sieci w praktyce aktuarialnej. Umiejętności: Student umie: • zastosować algorytm budowy drzewa regresyjnego i sieci neuronowej oraz przeprowadzić analizę dopasowania predyktora, • ocenić i wybrać najlepszy predyktor zgodnie z przyjętymi kryteriami ilościowymi i jakościowymi, • zastosować odpowiedni algorytm do konstrukcji taryfy aktuarialnej. Kompetencje społeczne: Student: • wykazuje potrzebę ciągłego poszerzania i pogłębiania zdobytej wiedzy w zakresie metod uczenia statystycznego w aktuariacie, stara się posiadaną już wiedzę i umiejętności konsekwentnie uzupełniać i doskonalić, • potrafi współdziałać w grupie, uzgadniać z grupą cele i podział zadań, potrafi odpowiednio określić priorytety służące wyborowi odpowiednich metod i modeli analizy. |
Assessment methods and assessment criteria: |
(in Polish) Dwa sprawdziany pisemne i projekt zaliczeniowy |
Classes in period "Summer semester 2023/24" (in progress)
Time span: | 2024-02-19 - 2024-06-16 |
Navigate to timetable
MO TU W TH FR |
Type of class: |
Seminar, 30 hours
|
|
Coordinators: | Łukasz Delong | |
Group instructors: | (unknown) | |
Students list: | (inaccessible to you) | |
Examination: |
Course -
Grading
Seminar - Grading |
Copyright by University of Warsaw.