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

Antal deltagare


Pris per deltagare

Kommande Kurser

Relaterade Kategorier