Effective Statistical Learning Methods for Actuaries I / Denuit, Michel  

Público ISBD Ningún comentario para este registro. Título : Effective Statistical Learning Methods for Actuaries I : GLMs and Extensions Tipo de documento: documento electrónico Autores: Denuit, Michel, Autor ; Hainaut, Donatien, Autor ; Trufin, Julien, Autor Mención de edición: 1 ed. Editorial: [s.l.] : Springer Fecha de publicación: 2019 Número de páginas: XVI, 441 p. 82 ilustraciones, 23 ilustraciones en color. ISBN/ISSN/DL: 978-3-030-25820-7 Nota general: Libro disponible en la plataforma SpringerLink. Descarga y lectura en formatos PDF, HTML y ePub. Descarga completa o por capítulos. Palabras clave: ciencia actuarial  Estadísticas  Matemáticas actuariales  Estadística en Negocios  Gestión  Economía  Finanzas  Seguros Índice Dewey: 368.01 Resumen: Este libro resume el estado del arte en modelos lineales generalizados (GLM) y sus diversas extensiones: GAM, modelos mixtos y de credibilidad, y algunas variantes no lineales (GNM). Para abordar los eventos de cola se presentan herramientas analíticas de la Teoría del Valor Extremo. Más allá del modelado de medias, considera el modelado de volatilidad (dobles GLM) y el modelado general de parámetros de ubicación, escala y forma (GAMLSS). Los actuarios necesitan estas herramientas analíticas avanzadas para convertir en oportunidades los enormes conjuntos de datos que ahora tienen a su disposición. La exposición alterna aspectos metodológicos y estudios de casos, proporcionando ilustraciones numéricas utilizando el software estadístico R. Los requisitos técnicos previos se mantienen a un nivel razonable para llegar a un amplio público de lectores. Este es el primero de tres volúmenes titulados Métodos eficaces de aprendizaje estadístico para actuarios. Escrita por actuarios para actuarios, esta serie ofrece una descripción general completa del análisis de datos de seguros con aplicaciones a seguros generales, de vida y de salud. Aunque está estrechamente relacionado con los otros dos volúmenes, este volumen se puede leer de forma independiente. Nota de contenido: Preface -- Part I: LOSS MODELS.-1. Insurance Risk Classification.-Exponential Dispersion (ED) Distributions.-3.-Maximum Likelihood Estimation.-Part II LINEAR MODELS.-4. Generalized Linear Models (GLMs) -- 5.-Over-dispersion, credibility adjustments, mixed models, and regularization.-Part III ADDITIVE MODELS -- 6 Generalized Additive Models (GAMs) -- 7. Beyond Mean Modeling: Double GLMs and GAMs for Location, Scale and Shape (GAMLSS) -- Part IV SPECIAL TOPICS -- 8. Some Generalized Non-Linear Models (GNMs) -- 9 Extreme Value Models -- References. En línea: https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...] Link: https://biblioteca.umanizales.edu.co/ils/opac_css/index.php?lvl=notice_display&i Effective Statistical Learning Methods for Actuaries I : GLMs and Extensions [documento electrónico] / Denuit, Michel, Autor ; Hainaut, Donatien, Autor ; Trufin, Julien, Autor  . -  1 ed.  . - [s.l.] : Springer, 2019 . - XVI, 441 p. 82 ilustraciones, 23 ilustraciones en color. ISBN : 978-3-030-25820-7 Libro disponible en la plataforma SpringerLink. Descarga y lectura en formatos PDF, HTML y ePub. Descarga completa o por capítulos. Palabras clave: ciencia actuarial  Estadísticas  Matemáticas actuariales  Estadística en Negocios  Gestión  Economía  Finanzas  Seguros Índice Dewey: 368.01 Resumen: Este libro resume el estado del arte en modelos lineales generalizados (GLM) y sus diversas extensiones: GAM, modelos mixtos y de credibilidad, y algunas variantes no lineales (GNM). Para abordar los eventos de cola se presentan herramientas analíticas de la Teoría del Valor Extremo. Más allá del modelado de medias, considera el modelado de volatilidad (dobles GLM) y el modelado general de parámetros de ubicación, escala y forma (GAMLSS). Los actuarios necesitan estas herramientas analíticas avanzadas para convertir en oportunidades los enormes conjuntos de datos que ahora tienen a su disposición. La exposición alterna aspectos metodológicos y estudios de casos, proporcionando ilustraciones numéricas utilizando el software estadístico R. Los requisitos técnicos previos se mantienen a un nivel razonable para llegar a un amplio público de lectores. Este es el primero de tres volúmenes titulados Métodos eficaces de aprendizaje estadístico para actuarios. Escrita por actuarios para actuarios, esta serie ofrece una descripción general completa del análisis de datos de seguros con aplicaciones a seguros generales, de vida y de salud. Aunque está estrechamente relacionado con los otros dos volúmenes, este volumen se puede leer de forma independiente. Nota de contenido: Preface -- Part I: LOSS MODELS.-1. Insurance Risk Classification.-Exponential Dispersion (ED) Distributions.-3.-Maximum Likelihood Estimation.-Part II LINEAR MODELS.-4. Generalized Linear Models (GLMs) -- 5.-Over-dispersion, credibility adjustments, mixed models, and regularization.-Part III ADDITIVE MODELS -- 6 Generalized Additive Models (GAMs) -- 7. Beyond Mean Modeling: Double GLMs and GAMs for Location, Scale and Shape (GAMLSS) -- Part IV SPECIAL TOPICS -- 8. Some Generalized Non-Linear Models (GNMs) -- 9 Extreme Value Models -- References. En línea: https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...] Link: https://biblioteca.umanizales.edu.co/ils/opac_css/index.php?lvl=notice_display&i

Effective Statistical Learning Methods for Actuaries II / Denuit, Michel  

Público ISBD Ningún comentario para este registro. Título : Effective Statistical Learning Methods for Actuaries II : Tree-Based Methods and Extensions Tipo de documento: documento electrónico Autores: Denuit, Michel, Autor ; Hainaut, Donatien, Autor ; Trufin, Julien, Autor Mención de edición: 1 ed. Editorial: [s.l.] : Springer Fecha de publicación: 2020 Número de páginas: X, 228 p. 68 ilustraciones, 6 ilustraciones en color. ISBN/ISSN/DL: 978-3-030-57556-4 Nota general: Libro disponible en la plataforma SpringerLink. Descarga y lectura en formatos PDF, HTML y ePub. Descarga completa o por capítulos. Palabras clave: ciencia actuarial  Redes neuronales (Informática)  Estadísticas  Matemáticas actuariales  Modelos matemáticos de procesos cognitivos y redes neuronales  Estadística en Ingeniería  Física  Informática  Química y Ciencias de la Tierra  Estadística en Negocios  Gestión  Economía  Finanzas  Seguros Índice Dewey: 368.01 Resumen: Este libro resume el estado del arte en métodos basados ​​en árboles para seguros: árboles de regresión, bosques aleatorios y métodos de impulso. También exhibe las herramientas que permiten evaluar el rendimiento predictivo de los modelos basados ​​en árboles. Los actuarios necesitan estas herramientas analíticas avanzadas para convertir los enormes conjuntos de datos que ahora tienen a su disposición en oportunidades. La exposición alterna aspectos metodológicos e ilustraciones numéricas o estudios de casos. Todas las ilustraciones numéricas se realizan con el software estadístico R. Los requisitos técnicos previos se mantienen a un nivel razonable para llegar a un amplio público de lectores. En particular, los estudiantes de maestría en ciencias actuariales y los actuarios que deseen actualizar sus habilidades en aprendizaje automático encontrarán útil el libro. Este es el segundo de tres volúmenes titulados Métodos eficaces de aprendizaje estadístico para actuarios. Escrita por actuarios para actuarios, esta serie ofrece una descripción general completa del análisis de datos de seguros con aplicaciones a seguros generales, de vida y de salud. Nota de contenido: Chapter 1: Introductio -- Chapter 2 : Performance Evaluation -- Chapter 3 Regression Trees -- Chapter 4 Bagging Trees and Random Forests -- Chapter 5 Boosting Trees -- Chapter 6 Other Measures for Model Comparison. En línea: https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...] Link: https://biblioteca.umanizales.edu.co/ils/opac_css/index.php?lvl=notice_display&i Effective Statistical Learning Methods for Actuaries II : Tree-Based Methods and Extensions [documento electrónico] / Denuit, Michel, Autor ; Hainaut, Donatien, Autor ; Trufin, Julien, Autor  . -  1 ed.  . - [s.l.] : Springer, 2020 . - X, 228 p. 68 ilustraciones, 6 ilustraciones en color. ISBN : 978-3-030-57556-4 Libro disponible en la plataforma SpringerLink. Descarga y lectura en formatos PDF, HTML y ePub. Descarga completa o por capítulos. Palabras clave: ciencia actuarial  Redes neuronales (Informática)  Estadísticas  Matemáticas actuariales  Modelos matemáticos de procesos cognitivos y redes neuronales  Estadística en Ingeniería  Física  Informática  Química y Ciencias de la Tierra  Estadística en Negocios  Gestión  Economía  Finanzas  Seguros Índice Dewey: 368.01 Resumen: Este libro resume el estado del arte en métodos basados ​​en árboles para seguros: árboles de regresión, bosques aleatorios y métodos de impulso. También exhibe las herramientas que permiten evaluar el rendimiento predictivo de los modelos basados ​​en árboles. Los actuarios necesitan estas herramientas analíticas avanzadas para convertir los enormes conjuntos de datos que ahora tienen a su disposición en oportunidades. La exposición alterna aspectos metodológicos e ilustraciones numéricas o estudios de casos. Todas las ilustraciones numéricas se realizan con el software estadístico R. Los requisitos técnicos previos se mantienen a un nivel razonable para llegar a un amplio público de lectores. En particular, los estudiantes de maestría en ciencias actuariales y los actuarios que deseen actualizar sus habilidades en aprendizaje automático encontrarán útil el libro. Este es el segundo de tres volúmenes titulados Métodos eficaces de aprendizaje estadístico para actuarios. Escrita por actuarios para actuarios, esta serie ofrece una descripción general completa del análisis de datos de seguros con aplicaciones a seguros generales, de vida y de salud. Nota de contenido: Chapter 1: Introductio -- Chapter 2 : Performance Evaluation -- Chapter 3 Regression Trees -- Chapter 4 Bagging Trees and Random Forests -- Chapter 5 Boosting Trees -- Chapter 6 Other Measures for Model Comparison. En línea: https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...] Link: https://biblioteca.umanizales.edu.co/ils/opac_css/index.php?lvl=notice_display&i

Effective Statistical Learning Methods for Actuaries III / Denuit, Michel  

Público ISBD Ningún comentario para este registro. Título : Effective Statistical Learning Methods for Actuaries III : Neural Networks and Extensions Tipo de documento: documento electrónico Autores: Denuit, Michel, Autor ; Hainaut, Donatien, Autor ; Trufin, Julien, Autor Mención de edición: 1 ed. Editorial: [s.l.] : Springer Fecha de publicación: 2019 Número de páginas: XIII, 250 p. 78 ilustraciones, 75 ilustraciones en color. ISBN/ISSN/DL: 978-3-030-25827-6 Nota general: Libro disponible en la plataforma SpringerLink. Descarga y lectura en formatos PDF, HTML y ePub. Descarga completa o por capítulos. Palabras clave: ciencia actuarial  Estadísticas  Redes neuronales (Informática)  Matemáticas actuariales  Estadística en Negocios  Gestión  Economía  Finanzas  Seguros  Modelos matemáticos de procesos cognitivos y redes neuronales Índice Dewey: 368.01 Resumen: La inteligencia artificial y las redes neuronales ofrecen una poderosa alternativa a los métodos estadísticos para analizar datos. Este libro revisa algunos de los desarrollos más recientes en redes neuronales, centrándose en aplicaciones en ciencias actuariales y finanzas. El tercer volumen de la trilogía presenta simultáneamente las herramientas relevantes para desarrollar y analizar redes neuronales, en un estilo matemáticamente riguroso pero accesible. Los autores proceden mediante generalizaciones sucesivas, que exigen del lector sólo unos conocimientos básicos de estadística. Se cubren varios temas, desde redes de retroalimentación hasta aprendizaje profundo, como el aprendizaje bayesiano, métodos de impulso y modelos de memoria a corto plazo. Todos los métodos se aplican a siniestros, mortalidad o pronósticos de series temporales. Este libro está escrito para estudiantes de maestría en ciencias actuariales y para actuarios que deseen actualizar sus habilidades en aprendizaje automático. . Nota de contenido: Preface. - Feed-forward Neural Networks. - Byesian Neural Networks and GLM. - Deep Neural Networks -- Dimension-Reduction with Forward Neural Nets Applied to Mortality. - Self-organizing Maps and k-means clusterin in non Life Insurance. - Ensemble of Neural Networks -- Gradient Boosting with Neural Networks. - Time Series Modelling with Neural Networks -- References. En línea: https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...] Link: https://biblioteca.umanizales.edu.co/ils/opac_css/index.php?lvl=notice_display&i Effective Statistical Learning Methods for Actuaries III : Neural Networks and Extensions [documento electrónico] / Denuit, Michel, Autor ; Hainaut, Donatien, Autor ; Trufin, Julien, Autor  . -  1 ed.  . - [s.l.] : Springer, 2019 . - XIII, 250 p. 78 ilustraciones, 75 ilustraciones en color. ISBN : 978-3-030-25827-6 Libro disponible en la plataforma SpringerLink. Descarga y lectura en formatos PDF, HTML y ePub. Descarga completa o por capítulos. Palabras clave: ciencia actuarial  Estadísticas  Redes neuronales (Informática)  Matemáticas actuariales  Estadística en Negocios  Gestión  Economía  Finanzas  Seguros  Modelos matemáticos de procesos cognitivos y redes neuronales Índice Dewey: 368.01 Resumen: La inteligencia artificial y las redes neuronales ofrecen una poderosa alternativa a los métodos estadísticos para analizar datos. Este libro revisa algunos de los desarrollos más recientes en redes neuronales, centrándose en aplicaciones en ciencias actuariales y finanzas. El tercer volumen de la trilogía presenta simultáneamente las herramientas relevantes para desarrollar y analizar redes neuronales, en un estilo matemáticamente riguroso pero accesible. Los autores proceden mediante generalizaciones sucesivas, que exigen del lector sólo unos conocimientos básicos de estadística. Se cubren varios temas, desde redes de retroalimentación hasta aprendizaje profundo, como el aprendizaje bayesiano, métodos de impulso y modelos de memoria a corto plazo. Todos los métodos se aplican a siniestros, mortalidad o pronósticos de series temporales. Este libro está escrito para estudiantes de maestría en ciencias actuariales y para actuarios que deseen actualizar sus habilidades en aprendizaje automático. . Nota de contenido: Preface. - Feed-forward Neural Networks. - Byesian Neural Networks and GLM. - Deep Neural Networks -- Dimension-Reduction with Forward Neural Nets Applied to Mortality. - Self-organizing Maps and k-means clusterin in non Life Insurance. - Ensemble of Neural Networks -- Gradient Boosting with Neural Networks. - Time Series Modelling with Neural Networks -- References. En línea: https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...] Link: https://biblioteca.umanizales.edu.co/ils/opac_css/index.php?lvl=notice_display&i

---

1 (1 - 3 / 3) Par page : 25 50 100 200