Formation Apprentissage automatique avec Azure Databricks pour le secteur financier

Introduction au ML dans les services financiers

• Aperçu des cas d’usage courants du ML financier
• Avantages et défis du ML dans les industries réglementées
• Aperçu de l’écosystème Azure Databricks

Préparation des données financières pour le ML

• Ingestion de données à partir d’Azure Data Lake ou de bases de données
• Nettoyage des données, ingénierie de caractéristiques et transformation
• Analyse exploratoire de données (EDA) dans les notebooks

Entraînement et évaluation des modèles de ML

• Partitionnement 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 paramètres et métriques
• Sauvegarde, enregistrement et versionnage des modèles
• Reproductibilité et comparaison des résultats des modèles

Déploiement et service des modèles de ML

• Emballage des modèles pour l’inférence par lots ou en temps réel
• Service des modèles via des API REST ou des points de terminaison Azure ML
• Intégration des prévisions dans des tableaux de bord ou des alertes financières

Surveillance et pipelines de réentraînement

• Planification du réentraînement périodique des modèles avec de nouvelles données
• Surveillance du dérive des données et de la précision du modèle
• Automatisation des workflows de bout en bout avec Databricks Jobs

Exemple d’application : Score de risque financier

• Construction d’un modèle de score de risque pour les demandes de prêt ou de crédit
• Explication des prévisions pour la transparence et la conformité
• Déploiement et test du modèle dans un environnement contrôlé