Gépi tanulás az Azure Databricks segítségével a pénzügyekben Képzés

Bevezetés a gépi tanulásba a pénzügyi szolgáltatások területén

• A gyakori pénzügyi gépi tanulási felhasználási esetek áttekintése
• A gépi tanulás előnyei és kihívásai a szabályozott iparágakban
• Az Azure Databricks ökoszisztéma áttekintése

Pénzügyi adatok előkészítése gépi tanuláshoz

• Adatok betöltése az Azure Data Lake-ből vagy adatbázisokból
• Adattisztítás, jellemzőképzés és transzformáció
• Feltáró adatelemzés (EDA) notebookokban

Gépi tanulási modellek betanítása és kiértékelése

• Az adatok felosztása és a gépi tanulási algoritmusok kiválasztása
• Regressziós és osztályozási modellek betanítása
• A modell teljesítményének kiértékelése pénzügyi mérőszámokkal

Modellkezelés az MLflow segítségével

• Kísérletek nyomon követése paraméterekkel és mérőszámokkal
• Modellek mentése, regisztrálása és verziózása
• A modellek eredményeinek reprodukálhatósága és összehasonlítása

Gépi tanulási modellek üzembe helyezése és kiszolgálása

• Modellek csomagolása kötegelt vagy valós idejű következtetéshez
• Modellek kiszolgálása REST API-kon vagy Azure ML végpontokon keresztül
• Előrejelzések integrálása pénzügyi irányítópultokba vagy riasztásokba

Figyelési és újratanítási folyamatok

• A modellek időszakos újratanításának ütemezése új adatokkal
• Az adateltolódás és a modell pontosságának figyelése
• Végpontok közötti munkafolyamatok automatizálása a Databricks Jobs segítségével

Felhasználási eset bemutatása: Pénzügyi kockázati pontozás

• Kockázati pontozási modell építése hitel- vagy hitelkérelmekhez
• Az előrejelzések magyarázata az átláthatóság és a megfelelőség érdekében
• A modell üzembe helyezése és tesztelése ellenőrzött környezetben