Köszönjük, hogy elküldte érdeklődését! Csapatunk egyik tagja hamarosan felveszi Önnel a kapcsolatot.
Köszönjük, hogy elküldte foglalását! Csapatunk egyik tagja hamarosan felveszi Önnel a kapcsolatot.
Kurzusleírás
Bevezetés a gépi tanulásba a pénzügyi szolgáltatásokban
- A gyakori finanszírozási ML alkalmazási esetek áttekintése
- A gépi tanulás előnyei és kihívásai a szabályozott iparágakban
- Az Azure Databricks ökoszisztéma áttekintése
Finanszírozási adatok előkészítése a gépi tanulásra
- Adatok beolvasása Azure Data Lake-ből vagy adatbázisból
- Az adatok tisztítása, jellemzők kivonása és transzformációja
- EDA (exploratory data analysis) jegyzetfüzetekben
Gépi tanulási modellek tanítása és értékelése
- Adatok felosztása és ML algoritmusok kiválasztása
- Regressziós és osztályozó modellek tanítása
- Modellek teljesítményének értékelése finanszírozási metrikák alapján
Modellkezelés az MLflow-val
- Kísérletek követése paraméterek és metrikák alapján
- Modellek mentése, regisztrálása és verziószámozása
- Modelleredmények reprodukálhatósága és összehasonlítása
Modellek üzembe helyezése és szolgáltatása
- Modell csomagolása kötegelt vagy valós idejű inferencia érdekében
- Modellek szolgáltatása REST API-kon vagy Azure ML végpontokon keresztül
- Predikciók integrálása pénzügyi irányítópultokba vagy riasztásokba
Folyamatok figyelése és újratanítása
- Új adatokkal rendszeres modellújratanítás ütemezése
- Adateltolódás és modellességi szint figyelése
- Databricks Jobs használatával történő teljes folyamat automatizálása
Alkalmazási eset átmenete: Pénzügyi kockázatbecslés
- Finanszírozási hitelek vagy hitelkérők kockázatértéke modelljének építése
- Predikciók magyarázása az átláthatóság és a megfelelőség érdekében
- Modell üzembe helyezése és tesztelése felügyelet alatt álló környezetben
Összefoglalás és a következő lépések
Követelmények
- Alapvető gépi tanulási fogalmak ismerete
- Python és adatelemzés használata
- Finanszírozási adatokkal vagy jelentésekkel való ismerkedet
Célcsoport
- Pénzügyi szolgáltatásokban működő adattudósok és ML-mérnökök
- Adatelemzők, akik átmennek ML szerepkörbe
- Technológiai szakemberek, akik prediktív megoldásokat valósítanak meg a finanszírozási területen
7 Órák