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
- Áttekintés a gyakori pénzügyi gépi tanulási felhasználási esetekről
- A gépi tanulás előnyei és kihívásai szabályozott iparágakban
- Az Azure Databricks ökoszisztéma áttekintése
Pénzügyi adatok előkészítése gépi tanuláshoz
- Adatok betöltése az Azure Data Lake-ból vagy adatbázisokból
- Adattisztítás, jellemzőtervezés és transzformáció
- Felfedező adatelemzés (EDA) notebookokban
Gépi tanulási modellek betanítása és értékelése
- Adatok felosztása és gépi tanulási algoritmusok kiválasztása
- Regressziós és osztályozási modellek betanítása
- Modell teljesítményének értékelése pénzügyi metrikákkal
Modellkezelés MLflow segítségével
- Kísérletek nyomon követése paraméterekkel és metrikákkal
- Modellek mentése, regisztrálása és verziókezelése
- Modell eredmények reprodukálhatósága és összehasonlítása
Gépi tanulási modellek üzembe helyezése és kiszolgálása
- Modellek csomagolása kötegelt vagy valós idejű következtetésekhez
- Modellek kiszolgálása REST API-kon vagy Azure ML végpontokon keresztül
- Előrejelzések integrálása pénzügyi irányítópultokba vagy riasztásokba
Figyelés és újratanítási folyamatok
- Időszakos modell újratanítás ütemezése új adatokkal
- Adateltolódás és modell pontosság figyelése
- Végpontok közötti munkafolyamatok automatizálása Databricks Jobs segítségével
Felhasználási eset bemutató: Pénzügyi kockázatpontozás
- Kockázatpontozási modell építése hitel- vagy kölcsönkérelmekhez
- Előrejelzések magyarázata az átláthatóság és a megfelelőség érdekében
- Modell üzembe helyezése és tesztelése kontrollált környezetben
Összefoglalás és következő lépések
Követelmények
- Alapvető gépi tanulási fogalmak ismerete
- Tapasztalat Pythonnal és adatelemzéssel
- Ismeret a pénzügyi adathalmazokkal vagy jelentéskészítéssel
Célközönség
- Adattudósok és ML mérnökök a pénzügyi szolgáltatásokban
- Adatelemzők, akik ML szerepkörbe szeretnének átlépni
- Technológiai szakemberek, akik prediktív megoldásokat valósítanak meg a pénzügyekben
7 Órák
