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

Wymagania

  • Zrozumienie podstawowych koncepcji uczenia maszynowego
  • Doświadczenie z Python i analizą danych
  • Znajomość zbiorów danych finansowych lub raportów

Grupa docelowa

  • Naukowcy danych i inżynierowie ML w usługach finansowych
  • Analitycy danych przechodzący na role ML
  • Specjaliści technologiczni wdrażający rozwiązania predykcyjne w finansach
 7 godzin

Liczba uczestników


cena netto za uczestnika

Propozycje terminów

Powiązane Kategorie