Merci d'avoir envoyé votre demande ! Un membre de notre équipe vous contactera sous peu.
Merci d'avoir envoyé votre réservation ! Un membre de notre équipe vous contactera sous peu.
Plan du cours
Introduction au ML dans les services financiers
- Aperçu des cas d'utilisation courants du ML en finance
- Avantages et défis du ML dans les industries réglementées
- Vue d'ensemble de l'écosystème Azure Databricks
Préparation des données financières pour le ML
- Ingestion de données depuis Azure Data Lake ou des bases de données
- Nettoyage des données, ingénierie des caractéristiques et transformation
- Analyse exploratoire des données (EDA) dans les notebooks
Entraînement et évaluation de modèles ML
- Division des données et sélection d'algorithmes de ML
- Entraînement de modèles de régression et de classification
- Évaluation des performances du modèle avec des métriques financières
Gestion des modèles avec MLflow
- Suivi des expériences avec des paramètres et des métriques
- Sauvegarde, enregistrement et versionnement des modèles
- Reproductibilité et comparaison des résultats des modèles
Déploiement et mise à disposition de modèles ML
- Emballage des modèles pour l'inférence batch ou en temps réel
- Mise à disposition des modèles via des API REST ou des points de terminaison Azure ML
- Intégration des prédictions dans des tableaux de bord financiers ou des alertes
Surveillance et réentraînement des pipelines
- Planification du réentraînement périodique des modèles avec de nouvelles données
- Surveillance du décalage des données et de la précision du modèle
- Automatisation des flux de travail de bout en bout avec Databricks Jobs
Étude de cas : Scoring de risque financier
- Construction d'un modèle de score de risque pour les demandes de prêt ou de crédit
- Explication des prédictions pour la transparence et la conformité
- Déploiement et test du modèle dans un environnement contrôlé
Résumé et étapes suivantes
Pré requis
- Une compréhension des concepts de base du machine learning
- Expérience avec Python et l'analyse de données
- Connaissance des ensembles de données financières ou des rapports
Public cible
- Data scientists et ingénieurs ML dans les services financiers
- Analystes de données en transition vers des rôles de ML
- Professionnels de la technologie implémentant des solutions prédictives en finance
7 Heures
