Tack för att du skickade din fråga! En av våra teammedlemmar kontaktar dig snart.
Tack för att du skickade din bokning! En av våra teammedlemmar kontaktar dig snart.
Kursplan
Introduktion till ML i finansiella tjänster
- Översikt över vanliga finansiella ML-användningsfall
- Fördelar och utmaningar med ML i reglerade industrier
- Översikt över Azure Databricks-ekosystemet
Förberedande finansiella data för ML
- Inmatning av data från Azure Data Lake eller databaser
- Datatvätt, egenskapskonstruktion och transformation
- Explorativ datanalys (EDA) i anteckningsböcker
Träna och utvärdera ML-modeller
- Delning av data och val av ML-algoritmer
- Träna regressions- och klassificeringsmodeller
- Utvärdera modellens prestanda med finansiella metrik
Modellhantering med MLflow
- Spåra experiment med parametrar och metrik
- Spara, registrera och versionera modeller
- Reproducerbarhet och jämförelse av modellresultat
Distribuera och servera ML-modeller
- Paketering av modeller för batch- eller realtidsinferens
- Servera modeller via REST-API:er eller Azure ML-slutpunkter
- Integrera förutsägelser i finanspaneler eller aviseringar
Övervaka och reträningspipelines
- Schemalägg periodisk modellretränings med nya data
- Övervaka datadrift och modellnoggrannhet
- Automatisera slut-till-slut arbetsflöden med Databricks Jobs
Användningsfall genomgång: Finansiell riskbetyg
- Bygg en riskbetygsmodell för lån eller kreditansökningar
- Förklara förutsägelser för öppenhet och efterlevnad
- Distribuera och testa modellen i en kontrollerad miljö
Sammanfattning och nästa steg
Krav
- En förståelse för grundläggande maskininlärningskoncept
- Erfarenhet av Python och dataanalys
- Bekantskap med finansiella dataset eller rapportering
Målgrupp
- Datawetenskapsmän och ML-ingenjörer inom finansiella tjänster
- Dataanalytiker som övergår till ML-rollen
- Teknikprofiler som implementerar prediktiva lösningar inom finans
7 Timmar