Effective Statistical Learning Methods for Actuaries III: Springer Actuarial

Găsim în Effective Statistical Learning Methods for Actuaries III o resursă esențială care pune accent pe componenta practică prin aplicații directe pe datele de daune, mortalitate și prognoze de serii temporale. Subliniem faptul că, deși rețelele neuronale sunt adesea privite ca o „cutie neagră”, autorii reușesc să introducă instrumentele necesare pentru dezvoltarea și analizarea acestora într-un stil riguros matematic, dar perfect adaptat nevoilor profesioniștilor din asigurări și finanțe.

Structura volumului este una progresivă, ghidând cititorul de la fundamentele rețelelor feed-forward către concepte complexe precum Deep Learning, Bayesian learning, metode de boosting și modele Long Short Term Memory (LSTM). Această a treia parte a seriei Springer Actuarial dedică spații ample unor tehnici precum hărțile auto-organizate (Self-organizing Maps) și clustering-ul k-means în asigurările generale (non-life), oferind o alternativă solidă la metodele statistice tradiționale.

Considerăm această lucrare o excelentă alternativă la Statistical Foundations of Actuarial Learning and its Applications pentru cursurile de analiză a datelor în asigurări, cu avantajul unei specializări stricte pe rețele neuronale și a unei integrări native a metodelor de tip ensemble. Față de lucrările anterioare ale lui Michel Denuit, precum Actuarial Theory for Dependent Risks, unde accentul era pus pe modelarea riscurilor dependente, prezentul volum marchează tranziția autorului către machine learning aplicat, completând viziunea începută în primele două volume ale seriei despre modele liniare generalizate și metode bazate pe arbori de decizie.