Machine learning pour détection d’anomalies

• Comprendre les concepts de détection d’anomalies en machine learning.
• Appliquer des algorithmes sur des données financières structurées.
• Identifier et interpréter les anomalies pour anticiper les risques.

Data scientists, analystes financiers et responsables du risque opérationnel.

Connaissances de base en machine learning et programmation Python.

• Introduire les notions d’anomalies et leurs différentes typologies.
• Préparer les données pour les modèles de détection d’anomalies.
• Appliquer des méthodes supervisées comme la régression et la classification.
• Utiliser des approches non supervisées comme clustering et isolation forest.
• Explorer les méthodes basées sur la densité et la distance.
• Évaluer la performance des modèles de détection d’anomalies.
• Interpréter les résultats pour comprendre les causes des anomalies.
• Automatiser la détection dans des pipelines de traitement de données.
• Visualiser les anomalies avec des outils graphiques adaptés.
• Intégrer ces modèles dans les systèmes de contrôle interne.

• Appliquer Isolation Forest sur un jeu de données financières.
• Identifier des anomalies dans un dataset réel.
• Automatiser un pipeline de détection avec Python.

• Modèles d’algorithmes de détection d’anomalies en finance.
• Guide de préparation des données pour machine learning.
• Checklist d’évaluation des performances des modèles.