LABIFUL - Atelier sur l’apprentissage machine (Machine Learning) en finance avec Python - Apprentissage supervisé et techniques avancées
FSA ULaval présente

LABIFUL - Atelier sur l’apprentissage machine (Machine Learning) en finance avec Python - Apprentissage supervisé et techniques avancées

Événement virtuel
28 novembre 2025
9h00 – 12h00 (EST)
Lepointdevente.com agit à titre de mandataire pour FSA ULaval dans le cadre de l’affichage en ligne et la vente de billets pour ses événements.
Pour plus d’information à propos de cet événement, veuillez contacter l’organisateur de l’événement, FSA ULaval, à evenements@fsa.ulaval.ca.

Achat de billets

Le Laboratoire d’ingénierie financière de l’Université Laval (LABIFUL) offre un séminaire pratique sur l’apprentissage machine (mMachine lLearning) en finance avec Python.

Ce séminaire de formation passera en revue les notions suivantes de l’apprentissage machine.


Séance 2 : Apprentissage supervisé et techniques avancées

•Compromis biais-variance

-Concept et importance

-Sur-apprentissage (overfitting)

-Sous-apprentissage (underfitting)

-Techniques de régularisation

•Fonction de perte et mesures de performance

-Types de fonctions de perte

-Métriques d'évaluation pour la classification et la régression

-Gestion des classes non balancées

•Algorithmes d'apprentissage supervisé

-Arbres de décision

-Méthodes d'ensemble

-Validation croisée

Support Vector Machine (SVM)

-Principe de base

-Noyaux (kernels) et leur utilisation

-Avantages et limites des SVM

•Applications

Remboursements
Aucun remboursement
Vérification des disponibilités en cours...

Le Laboratoire d’ingénierie financière de l’Université Laval (LABIFUL) offre un séminaire pratique sur l’apprentissage machine (mMachine lLearning) en finance avec Python.

Ce séminaire de formation passera en revue les notions suivantes de l’apprentissage machine.


Séance 2 : Apprentissage supervisé et techniques avancées

•Compromis biais-variance

-Concept et importance

-Sur-apprentissage (overfitting)

-Sous-apprentissage (underfitting)

-Techniques de régularisation

•Fonction de perte et mesures de performance

-Types de fonctions de perte

-Métriques d'évaluation pour la classification et la régression

-Gestion des classes non balancées

•Algorithmes d'apprentissage supervisé

-Arbres de décision

-Méthodes d'ensemble

-Validation croisée

Support Vector Machine (SVM)

-Principe de base

-Noyaux (kernels) et leur utilisation

-Avantages et limites des SVM

•Applications

Remboursements
Aucun remboursement