Machine Learning with Azure Databricks for Finance Träningskurs

Introduktion till ML inom finansiella tjänster

• Översikt över vanliga ML-användningsfall inom finans
• Fördelar och utmaningar med ML inom reglerade branscher
• Azure Databricks ekosystemöversikt

Förbereda finansiella data för ML

• Inhämtning av data från Azure Data Lake eller databaser
• Rensning av data, konstruktion av funktioner och omvandling
• Explorativ dataanalys (EDA) i notebooks

Träning och utvärdering av ML-modeller

• Delning av data och urval av ML-algoritmer
• Träning av regressions- och klassificeringsmodeller
• Utvärdering av modellprestanda med finansiella mätvärden

Modellhantering med MLflow

• Spårning av experiment med parametrar och mätvärden
• Spara, registrera och versionera modeller
• Reproducerbarhet och jämförelse av modellresultat

Distribuera och servera ML-modeller

• Paketera modeller för batch- eller realtidsinferens
• Servera modeller via REST API:er eller Azure ML-endpunkter
• Integrera förutsägelser i finansiella instrumentpaneler eller varningar

Övervakning och omträningspipelines

• Schemaläggning av periodisk modellomträning med ny data
• Övervakning av datadrift och modellnoggrannhet
• Automatisering av slut- till-slut-arbetsflöden med Databricks Jobs

Use Case genomgång: Finansiell riskpoängsättning

• Bygga en riskpoängsmodell för lån eller kreditansökningar
• Förklara förutsägelser för transparens och efterlevnad
• Distribuera och testa modellen i en kontrollerad miljö

Sammanfattning och nästa steg