Machine Learning with Azure Databricks for Finance - Plan Szkolenia

Wprowadzenie do ML w usługach finansowych

• Przegląd powszechnych przypadków użycia ML w finansach
• Korzyści i wyzwania związane z ML w regulowanych branżach
• Przegląd ekosystemu Azure Databricks

Przygotowanie danych finansowych do ML

• Import danych z Azure Data Lake lub baz danych
• Czyście dane, inżynieria cech i transformacja
• Eksploracyjna analiza danych (EDA) w notesach

Trening i ocena modeli ML

• Podział danych i wybór algorytmów ML
• Trening modeli regresji i klasyfikacji
• Ocena wydajności modelu za pomocą metryk finansowych

Zarządzanie modelami Management z MLflow

• Śledzenie eksperymentów z parametrami i metrykami
• Zapisywanie, rejestrowanie i wersjonowanie modeli
• Powtarzalność i porównywanie wyników modeli

Wdrażanie i obsługa modeli ML

• Pakowanie modeli do inferencji w czasie rzeczywistym lub w partiach
• Serwowanie modeli za pomocą API REST lub punktów końcowych ML Azure
• Integracja przewidywań z dashboardami lub alertami finansowymi

Monitorowanie i retraining pipelinów

• Harmonogramowy retraining modeli z nowymi danymi
• Monitorowanie driftsu danych i dokładności modelu
• Automatyzacja procesów od końca do końca za pomocą Databricks Jobs

Przeprowadzenie Use Case: ocena ryzyka finansowego

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

Podsumowanie i następne kroki