Maskinlærings med Azure Databricks for finans Treningskurs

Introduksjon til ML i finansnæringen

• Generelt om vanlige finansielle ML-brukstilfeller
• Fordeler og utfordringer med ML i regulerte bransjer
• Overblikk over Azure Databricks-økosystemet

Forberedelse av finansiell data for ML

• Inntak av data fra Azure Data Lake eller databaser
• Datarensing, funksjonsingeniør og transformasjon
• Eksplorativ dataanalyse (EDA) i notatbøker

Trening og evaluering av ML-modeller

• Oppdeling av data og valg av ML-algoritmer
• Trening av regresjons- og klassifiseringsmodeller
• Evaluering av modellprestasjoner med finansielle metrikker

Modellhåndtering med MLflow

• Sporing av eksperimenter med parametere og metrikker
• Lagring, registrering og versjonering av modeller
• Gjenproduserbarhet og sammenligning av modellresultater

Utrolige og levering av ML-modeller

• Pakking av modeller for batch eller sanntidsinferens
• Levering av modeller via REST-APIer eller Azure ML-endepunkter
• Integrasjon av prediksjoner i finansielle dashboards eller varsler

Overvåking og opptrening av rørledninger

• Innsetting av periodisk opptrening av modeller med ny data
• Overvåking av datadrift og modellnøyaktighet
• Automatisering av helhetlige arbeidsflyter med Databricks Jobs

Eksempel på bruk: Finansiell risikoskorering

• Bygge en risikoskoringsmodell for låne- eller kredittsøknader
• Forstå prediksjoner for gjennomsiktighet og samsvar
• Utrolige og teste modellen i et kontrollert miljø