Passer au contenu principal
 
 
 
 
 

Apprentissage machine en affaires : méthodes et applications modernes Greener Wealthier

Série d’ateliers du Centre pour une transition économique responsable


Date et heure

le 2 septembre 2022
de à (HAE)

Lieu

Pavillon Desmarais, pièce 4101 ou Zoom
55, av. Laurier Est
Ottawa ON
K1N 6N5

Coordonnées

Kathy Cunningham
cunningham@telfer.uottawa.ca

Veuillez noter que cet événement se déroulera uniquement en anglais.

Cet atelier s’inscrit dans la série organisée par le Centre pour une transition économique responsable (CTER) de l’École de gestion Telfer.  Cet événement est ouvert au public et est disponible en personne ou en ligne, mais l'inscription est requise. Pour plus d'informations sur le Centre ou la série d'ateliers, veuillez contacter Jonathan Li.

L’apprentissage machine est aujourd’hui une technologie puissante dans le monde des affaires. Il offre de nouvelles solutions analytiques à de nombreux problèmes de recherche urgents, notamment en finances, en gestion des opérations, en soins de santé, etc. Depuis une dizaine d’années, on cherche à tirer le meilleur parti de cette technologie en affaires. La grande variété et la vaste quantité de données disponibles aujourd’hui ont donné lieu à de nouvelles méthodes pour exploiter le pouvoir de l’apprentissage machine. Voici les objectifs de l’atelier :

  • Présenter des applications d’affaires rendues possibles par les derniers développements de l’apprentissage machine;
  • Présenter les méthodes modernes d’apprentissage machine, notamment le traitement automatique du langage naturel (TALN), les grands modèles de langage, l’apprentissage profond et l’apprentissage par renforcement;
  • Fournir un tutoriel sur l’application de l’apprentissage machine à la recherche ou à d’autres travaux.

L’atelier comprend une présentation donnée par un conférencier éminent et deux séances d’enseignement tutoriel.

Heure : 13 h - Conférence de Dacheng Xiu, Booth School of Business de l’Université de Chicago

Exploration de textes de nouvelles:

Vous seront présentés deux exemples d’application de techniques de traitement automatique du langage naturel en finances. La première partie portera sur l’analyse de sentiments (classification), et la deuxième, sur le modèle thématique (regroupement).

Heure : 15 h - Tutoriel de Rafid Mahmood, NVIDIA

Pratiques modernes en matière d’apprentissage profond : plus grands modèles, meilleures données : Les progrès de l’apprentissage profond sont souvent stimulés par des modèles et ensembles de données dont la taille croît exponentiellement. Les modèles généralistes, la dernière famille de modèles adoptant cette philosophie, ont récemment démontré une incroyable capacité de généralisation par un simple entraînement à partir d’un vaste ensemble de données non étiquetées.  La première moitié du séminaire porte sur les modèles généralistes : les données, les algorithmes d’apprentissage, la façon de les adapter à nos applications, les défis éthiques et juridiques liés à leur utilisation. Dans la deuxième moitié, nous allons regarder le portrait général de l’apprentissage profond à grande échelle selon l’angle des données : pour une tâche en particulier, comment obtenir, sélectionner, annoter et utiliser les bonnes données pour élaborer et améliorer un modèle.

Heure : 16 h 30 - Tutoriel de Jonathan Li, École de gestion Telfer

Apprentissage par renforcement profond et applications d’affaires : Ce tutoriel vise à dresser le portrait de l’apprentissage par renforcement profond (ARP) et de ses applications à la gestion de portefeuille, la couverture des instruments dérivés et d’autres problèmes décisionnels dynamiques. Il explique comment déterminer les tâches pouvant être résolues par ARP et appliquer une solution.

Heure : 18 h - Réceptionlogo


À propos des conférenciers

Dacheng Xiu, Booth School of Business de l’Université de Chicago Dacheng Xiu

Dacheng Xiu est professeur d’économétrie et de statistique à la Booth School of Business de l’Université de Chicago. Ses recherches actuelles portent sur l’élaboration de solutions d’apprentissage machine pour résoudre des problèmes de mégadonnées en finance empirique. Ses travaux ont été publiés dans les revues suivantes : Journal of Finance, The Review of Financial Studies, Econometrica, Journal of Political Economy, Journal of the American Statistical Association et Annals of Statistics. Il est co-rédacteur en chef du Journal of Financial Econometrics et rédacteur en chef adjoint des revues The Review of Financial Studies, Journal of Econometrics, Management Science, Journal of Business & Economic Statistics, etc. M. Xiu a reçu plusieurs distinctions pour ses recherches : membre de la Society for Financial Econometrics, membre du Journal of Econometrics, Prix Insight de l’AQR, Prix du meilleur article de l’EFA et Prix du meilleur article du Swiss Finance Institute. Il détient un doctorat et une maîtrise en mathématiques appliquées de l’Université Princeton.


 

Jonathan Li, École de gestion Telfer Jonathan Li

Jonathan Li est professeur agrégé à l’École de gestion Telfer. Ses recherches portent sur une large gamme d’enjeux opérationnels, financiers et technologiques selon une perspective de gestion des risques, et visent actuellement à élaborer des méthodologies appuyées par les données et l’analytique en misant sur l’optimisation, l’apprentissage machine et l’économétrie financière. Ses travaux ont été publiés dans des revues spécialisées reconnues, Management Science et Operations Research. M. Li est titulaire d’un doctorat en recherche opérationnelle et ingénierie financière de l’Université de Toronto.

 

 

 

Rafid Mahmood, NVIDIA Rafid Mahmood

Rafid Mahmood est chercheur scientifique principal à NVIDIA et entrera bientôt en poste comme professeur adjoint à l’École de gestion Telfer. Il s’intéresse aux solutions opérationnelles visant à améliorer la collecte de données et la mise au point des modèles pour les systèmes d’intelligence artificielle. Détenteur d’un doctorat en génie industriel de l’Université de Toronto, il a été de 2019 à 2021 affilié de troisième cycle à l’Institut Vector en intelligence artificielle.

 

 

© 2024 École de gestion Telfer, Université d'Ottawa
Politiques  |  Urgences

alert icon
uoAlert