Thank you for sending your enquiry! One of our team members will contact you shortly.
Thank you for sending your booking! One of our team members will contact you shortly.
Kursplan
Introduksjon til ML i finansielle tjenester
- Overordnet gjennomgang av vanlige finansielle ML-tilfeller
- Fordeler og utfordringer med ML i regulerte bransjer
- Azure Databricks økosystemoversikt
Forberede finansiell data for ML
- Inntak av data fra Azure Data Lake eller databaser
- Data rensing, feature engineering, og transformasjon
- Eksplorativ dataanalyse (EDA) i notatbøker
Trenering og vurdering av ML-modeller
- Deling av data og utvalg av ML-algoritmer
- Trenering av regresjons- og klassifiseringsmodeller
- Vurdering av modellytelse med finansielle målere
ModellManagement med MLflow
- Sporing av eksperimenter med parametere og målere
- Lagring, registrering, og versjonering av modeller
- Gjenoppretting og sammenligning av modellresultater
Utplassering og levering av ML-modeller
- Pakking av modeller for batch- eller sanntidsinferens
- Levering av modeller via REST-APIer eller Azure ML-endepunkter
- Integriering av prediksjoner i finansielle dashboards eller varsler
Overvåkning og retreningsrørledninger
- Planlegging av periodisk modellretrening med ny data
- Overvåkning av datadrift og modellnøyaktighet
- Automatisering av end-to-end-arbeidsflyter med Databricks Jobs
Use Case gjennomgang: Finansielt risikoskoring
- Bygging av en risikoskoringsmodell for låne- eller kredittansøkninger
- Forklaring av prediksjoner for gjennomsiktighet og overholdelse
- Utplassering og testing av modellen i en kontrollert setting
Oppsummering og neste trinn
Krav
- Forståelse av grunnleggende maskinlæringskonsepter
- Erfaring med Python og dataanalyse
- Kjennskap til finansielle datasett eller rapportering
Målgruppe
- Data scientists og ML-ingeniører innen finansielle tjenester
- Dataanalytikere som overgår til ML-roller
- Teknologiprofesjonelle som implementerer prediktive løsninger innen finans
7 timer
