Fiche de travail — Semaine 10

Exercices : tarification GLM avancée et certification AWS

Auteur·rice

François Boussengui

Date de publication

25 mars 2026

📦 Livrables

:::{.livrable-title}📊 Livrable 1 — Modèle GLM complet::: :::{.livrable-status .required}Obligatoire:::

Notebook Python implémentant :

  • GLM Poisson (fréquence) + GLM Gamma (sévérité)
  • Tableau de relativités par variable
  • Lift curve et calcul du Gini
  • Comparaison avec un modèle XGBoost
  • Prime pure prédite par segment

:::{.livrable-title}📝 Livrable 2 — Examen blanc AWS commenté::: :::{.livrable-status .required}Obligatoire:::

Réaliser un examen blanc (Tutorials Dojo ou AWS Skill Builder). Document avec : score obtenu, questions ratées, explication de la bonne réponse, points à réviser.

:::{.livrable-title}🏗️ Livrable 3 — Architecture AWS du projet central::: :::{.livrable-status .required}Obligatoire:::

Mettre à jour le schéma d’architecture du projet central en intégrant toutes les connaissances AWS acquises (semaines 5-10). Justifier chaque choix de service.

🏋️ Exercices

📝 Exercice M1 — Interpréter un GLM

Un GLM Poisson de fréquence auto donne les coefficients suivants :

Variable Coefficient p-value
Intercept -2.50 < 0.001
age_18-25 0.62 < 0.001
age_56+ 0.18 0.042
zone_Paris 0.37 < 0.001
puissance_8+ 0.10 0.285

Questions :

  1. Quelle est la fréquence de base ?
  2. Quelle est la relativité des jeunes conducteurs ?
  3. La variable puissance est-elle significative ?
  4. Quelle est la fréquence prédite pour un jeune parisien ?
  1. Fréquence de base = \(\exp(-2.50) = 0.082\) (8.2%)
  2. Relativité jeunes = \(\exp(0.62) = 1.86\) (+86%)
  3. Puissance 8+ : p-value = 0.285 > 0.05 → non significatif. À retirer ou regrouper.
  4. Jeune parisien : \(\exp(-2.50 + 0.62 + 0.37) = \exp(-1.51) = 0.221\) (22.1%)

☁️ Exercice T1 — QCM AWS

  1. Une entreprise veut stocker 10 To de données accédées 2 fois par an. Quel service ?
  2. Comment sécuriser une API publique contre les attaques DDoS ?
  3. Quelle est la différence entre ALB et NLB ?
  1. S3 Glacier ou S3 Glacier Deep Archive (accès très rare, coût minimal)
  2. AWS WAF (Web Application Firewall) + AWS Shield (protection DDoS) devant un ALB ou CloudFront
  3. ALB (Application LB) : couche 7 (HTTP), routing par URL/header. NLB (Network LB) : couche 4 (TCP), ultra-faible latence, IP statique

🔗 Pont métier-technique

🤔 Réflexion

  1. Comment déployer ton modèle GLM sur AWS ? (Lambda pour le scoring temps réel, EC2 pour le batch)
  2. Quels services AWS utiliserais-tu pour stocker les données, entraîner le modèle, et servir les prédictions ?
  3. Comment la certification AWS valorise-t-elle ton profil de data scientist en assurance ?

✅ Checklist

  • Module Métier 10 terminé (GLM avancé, lift curves, GLM vs ML)
  • Module Technique 10 terminé (révision AWS, examen blanc)
  • Livrable 1 (modèle GLM complet)
  • Livrable 2 (examen blanc commenté)
  • Livrable 3 (architecture AWS mise à jour)
  • Exercices réalisés
  • Fin du Bloc III tarification et de l’axe technique AWS

← Retour à la Semaine 10