Desjardins

Les activités prévues dans le cadre du présent stage de stratégie d’entreprise Mitacs s’inscrivent dans la volonté d’optimisation et de perfectionnement des modèles d’apprentissage machine supervisé actuellement utilisés par l’organisation afin de pouvoir maximiser la valeur et d’accroître l’activité de l’organisation. Plus précisément, il s’agit d’identifier comment il serait possible d’améliorer les performances prédictives des modèles de « gradient boosting », en profitant notamment de leur processus itératif. En effet, l’objectif des modèles de « gradient boosting » et de pouvoir fournir une prédiction fondée sur l’ensemble des prédictions venant de modèles appelés « apprenants faibles » et qui permettent d’optimiser une certaine fonction de perte de façon itérative. Ainsi, il serait pertinent d’obtenir un code python permettant de sélectionner de manière plus optimale le meilleur « apprenant faible » possible à chaque itération du modèle de « gradient boosting » afin d’améliorer la prédiction globale du modèle. De plus, puisque les modèles « apprenants faibles » possèdent aussi des hyperparamètres, ceux-ci pourraient être sélectionnés de façon plus optimale à chaque itération. Les modèles de « gradient boosting » ayant la particularité de produire du surapprentissage des données d’entrainement,

Faculty Supervisor:

Sylvain Perron

Student:

Partner:

Mouvement des caisses Desjardins

Discipline:

Business

Sector:

Finance and Insurance; Other

University:

HEC Montréal

Program: