Uczenie maszynowe z Azure Databricks dla finansów - Plan Szkolenia

Wprowadzenie do uczenia maszynowego w usługach finansowych

• Przegląd typowych zastosowań uczenia maszynowego w finansach
• Korzyści i wyzwania uczenia maszynowego w branżach regulowanych
• Przegląd ekosystemu Azure Databricks

Przygotowywanie danych finansowych do uczenia maszynowego

• Pobieranie danych z Azure Data Lake lub baz danych
• Czyszczenie danych, inżynieria cech i transformacja
• Eksploracyjna analiza danych (EDA) w notatnikach

Trenowanie i ocena modeli uczenia maszynowego

• Podział danych i wybór algorytmów uczenia maszynowego
• Trenowanie modeli regresji i klasyfikacji
• Ocena wydajności modeli za pomocą wskaźników finansowych

Zarządzanie modelami za pomocą MLflow

• Śledzenie eksperymentów z parametrami i wskaźnikami
• Zapisywanie, rejestrowanie i wersjonowanie modeli
• Odtwarzalność i porównywanie wyników modeli

Wdrażanie i udostępnianie modeli uczenia maszynowego

• Pakowanie modeli do wnioskowania wsadowego lub w czasie rzeczywistym
• Udostępnianie modeli za pośrednictwem interfejsów API REST lub punktów końcowych Azure ML
• Integrowanie prognoz z pulpitami nawigacyjnymi lub alertami finansowymi

Monitorowanie i ponowne trenowanie potoków

• Planowanie okresowego ponownego trenowania modeli z nowymi danymi
• Monitorowanie dryfu danych i dokładności modeli
• Automatyzacja kompleksowych przepływów pracy za pomocą zadań Databricks

Omówienie przypadku użycia: ocena ryzyka finansowego

• Budowanie modelu oceny ryzyka dla wniosków kredytowych lub pożyczkowych
• Wyjaśnianie prognoz dla przejrzystości i zgodności z przepisami
• Wdrażanie i testowanie modelu w kontrolowanym środowisku