Machine Learning with Azure Databricks for Finance

• 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

Azure Databricks to platforma kolaboracyjna oparta na chmurze, która wspiera analizę dużych danych i uczenie maszynowe za pomocą Apache Spark i ekosystemu Microsoft Azure.

Ten kurs prowadzony przez instruktora (online lub na miejscu) jest przeznaczony dla średnio zaawansowanych profesjonalistów danych, którzy chcą zaprojektować, zbudować i wdrożyć modele uczenia maszynowego za pomocą Azure Databricks do zastosowań finansowych.

Po zakończeniu tego szkolenia uczestnicy będą w stanie:

• Budować i trenować modele uczenia maszynowego za pomocą danych finansowych w Azure Databricks.
• Używać MLflow do śledzenia eksperymentów, zarządzania modelami i wdrażania rozwiązań.
• Zastosować modele do wykrywania anomalii, oceny ryzyka lub prognozowania trendów w finansach.
• Integrować modele ML w skalowalne potoki do ciągłej oceny.

Format kursu

• Interaktywne wykłady i dyskusje.
• Wiele ćwiczeń i praktyki.
• Ręczne wdrożenie w żywym środowisku laboratoryjnym.

Opcje dostosowywania kursu

• Aby zażądać dostosowanego szkolenia dla tego kursu, prosimy o kontakt z nami w celu ustalenia.

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