Prof. Susanna Levantesi: i libri dei suoi insegnamenti

1. Che cosa si intende per apprendimento supervisionato e quali problemi assicurativi risolve?
2. Quali differenze esistono tra problemi di classificazione e problemi di regressione?
3. Come si applicano gli alberi decisionali alla tariffazione di un rischio assicurativo?
4. Che cosa si intende per random forest e perche' riduce la varianza delle previsioni?
5. Come si usa il gradient boosting per la stima della frequenza dei sinistri?
6. Quali metriche si usano per valutare un modello predittivo di sinistri?
7. Come si evita il sovradattamento in un modello di machine learning applicato ai dati assicurativi?
8. Che cosa si intende per validazione incrociata e come si applica a dati dipendenti nel tempo?
9. Quali problemi etici pone l'uso del machine learning nella tariffazione?
10. Come si gestiscono i dati sbilanciati nella previsione di frodi assicurative?
11. Che cosa si intende per rilevamento di anomalie e come si applica alle frodi?
12. Quali tecniche di riduzione della dimensionalita' sono utili con molte variabili assicurative?
13. Come si interpretano i modelli di machine learning nelle decisioni di sottoscrizione?
14. Quali requisiti regolamentari devono rispettare i modelli usati dalle compagnie?
15. Che cosa si intende per reti neurali e in quali casi sono adatte alla previsione?
16. Come si preparano i dati prima di addestrare un modello predittivo?
17. Quali differenze esistono tra apprendimento supervisionato e non supervisionato nel contesto assicurativo?
18. Come si usa il clustering per segmentare i clienti di una compagnia?
19. Quali rischi comporta l'uso di variabili proxy nelle decisioni di tariffazione?
20. Come si spiega la scelta di un modello alla luce del compromesso tra bias e varianza?

Domande di esercitazione costruite sul programma ufficiale, non fornite dal docente.

1. Che cosa si intende per apprendimento supervisionato e quali problemi assicurativi risolve?
2. Quali differenze esistono tra problemi di classificazione e problemi di regressione?
3. Come si applicano gli alberi decisionali alla tariffazione di un rischio assicurativo?
4. Che cosa si intende per random forest e perche' riduce la varianza delle previsioni?
5. Come si usa il gradient boosting per la stima della frequenza dei sinistri?
6. Quali metriche si usano per valutare un modello predittivo di sinistri?
7. Come si evita il sovradattamento in un modello di machine learning applicato ai dati assicurativi?
8. Che cosa si intende per validazione incrociata e come si applica a dati dipendenti nel tempo?
9. Quali problemi etici pone l'uso del machine learning nella tariffazione?
10. Come si gestiscono i dati sbilanciati nella previsione di frodi assicurative?
11. Che cosa si intende per rilevamento di anomalie e come si applica alle frodi?
12. Quali tecniche di riduzione della dimensionalita' sono utili con molte variabili assicurative?
13. Come si interpretano i modelli di machine learning nelle decisioni di sottoscrizione?
14. Quali requisiti regolamentari devono rispettare i modelli usati dalle compagnie?
15. Che cosa si intende per reti neurali e in quali casi sono adatte alla previsione?
16. Come si preparano i dati prima di addestrare un modello predittivo?
17. Quali differenze esistono tra apprendimento supervisionato e non supervisionato nel contesto assicurativo?
18. Come si usa il clustering per segmentare i clienti di una compagnia?
19. Quali rischi comporta l'uso di variabili proxy nelle decisioni di tariffazione?
20. Come si spiega la scelta di un modello alla luce del compromesso tra bias e varianza?

Domande di esercitazione costruite sul programma ufficiale, non fornite dal docente.