Après « Risque de crédit », paru en 2015, l’ESILV propose un nouveau MOOC « Machine learning et scoring de crédit ». À travers ce cours gratuit, les enseignants en école d’ingénieurs vont apprendre à tous ceux qui le souhaitent les techniques de la science de données et de l’analyse de risque pour se préparer aux métiers de la banque.
Le MOOC « Machine learning et scoring de crédit » est disponible sur la plateforme FUN MOOC à partir du 20 juin jusqu’au 20 décembre 2022. Les inscriptions sont possibles jusqu’au 1 décembre.
Un MOOC ESILV pour monter en compétence sur le machine learning et le risque de crédit
Le cours s’adresse à tous ceux qui souhaitent se perfectionner en science de données et découvrir ses applications dans le domaine bancaire.
En 4 semaines de travail, les participants peuvent acquérir des connaissances théoriques en probabilités, statistiques inférencielles et data management qu’ils vont mettre en application dans des exercices conçus pour les entrainer sur des modèles de prédiction et d’optimisation de risque.
Des quiz à la fin de chaque vidéo et à la fin de chaque semaine de travail permettent d’évaluer progressivement son évolution.
Les étudiants et professionnels de la finance intéressés par ce domaine bénéficieront de l’expérience des enseignants de l’ESILV qui sont aussi des professionnels en poste dans des grandes institutions financières internationales.
Le plus de ce MOOC ? Deux podcasts spécialement conçus avec des professionnels de la data science et des modèles de scoring de crédit dans la banque.
Le plan du MOOC « Machine learning et scoring de crédit »
Ce cours comprend les grandes thématiques suivantes réparties sur 4 semaines de cours :
- Semaine 1 : Qu’est-ce qu’un score ? Mieux comprendre la nécessité des système de scoring, les principes de construction d’un score, la mesure de performance d’un score
- Semaine 2 : Data wrangling et préparation des données. Mieux comprendre la collecte des données, l’analyse descriptive des données et la préparation des bases de modélisation
- Semaine 3 : Machine Learning supervisé. Mieux comprendre l’apprentissage supervisé, la méthode de Descente de Gradient, la régression logistique, l’analyse discriminante
- Semaine 4 : Implémentation et quantification du risque. Mieux comprendre comment mettre en place des classes de risque, calibrer les courbes de probabilités de défaut, limiter, suivre et gérer le risque de modèle
À la fin de leur formation, les participants reçoivent une attestation de suivi avec succès, si leur note est supérieure ou égale à 60%.
En savoir plus sur le cursus ingénieur à l’ESILV
This post was last modified on %s = human-readable time difference 12:12 pm