Maskininlärning med Azure Databricks för finans Träningskurs

Inledning till ML inom finansiella tjänster

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

Förberedelse av finansiella data för ML

• Inläsning av data från Azure Data Lake eller databaser
• Datarengöring, feature engineering och transformation
• Utforskande dataanalys (EDA) i notebooker

Träning och utvärdering av ML-modeller

• Delning av data och val av ML-algoritmer
• Träning av regressions- och klassificeringsmodeller
• Utvärdering av modellprestanda med finansiella metrik

Modellhantering med MLflow

• Spårning av experiment med parametrar och metrik
• Sparande, registrering och versionering av modeller
• Reproducerbarhet och jämförelse av modellresultat

Distribution och servering av ML-modeller

• Packning av modeller för batch- eller realtidsinferens
• Servering av modeller via REST-API:er eller Azure ML-slutpunkter
• Integrering av förutsägelser i finansiella instrumentpaneler eller larm

Övervakning och omträning av pipelines

• Schema för periodisk omträning av modeller med nya data
• Övervakning av datadrift och modellprecision
• Automatisering av end-to-end-flöden med Databricks Jobs

Användningsfallsgenomgång: Finansriskpoängsättning

• Byggande av en riskpoängmodell för låne- eller kreditansökningar
• Förklarande av förutsägelser för transparens och efterlevnad
• Distribution och testning av modellen i en kontrollerad miljö