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 à l'apprentissage automatique dans les services financiers
- Aperçu des cas d'utilisation courants de l'apprentissage automatique en finance
- Avantages et défis de l'apprentissage automatique dans les secteurs réglementés
- Aperçu de l'écosystème Azure Databricks
Préparation des données financières pour l'apprentissage automatique
- Ingestion de données depuis Azure Data Lake ou des bases de données
- Nettoyage des données, ingénierie des caractéristiques et transformation
- Analyse exploratoire des données (AED) dans les blocs-notes
Formation et évaluation des modèles d'apprentissage automatique
- Partitionnement des données et sélection des algorithmes d'apprentissage automatique
- Formation de modèles de régression et de classification
- Évaluation de la performance des modèles avec des métriques financières
Gestion des modèles avec MLflow
- Suivi des expériences avec des paramètres et des métriques
- Enregistrement, sauvegarde et versionnage des modèles
- Reproductibilité et comparaison des résultats des modèles
Déploiement et mise à disposition des modèles d'apprentissage automatique
- Emballage des modèles pour l'inférence par lots 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 pipelines de réentraînement des modèles
- Planification du réentraînement périodique des modèles avec de nouvelles données
- Surveillance de la dérive des données et de la précision des modèles
- Automatisation des workflows de bout en bout avec les tâches Databricks
Étude de cas : Évaluation des risques financiers
- Conception 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 prochaines étapes
Pré requis
- Une compréhension des concepts de base de l'apprentissage automatique
- Une expérience avec Python et l'analyse de données
- Une familiarité avec les ensembles de données financiers ou la production de rapports
Public visé
- Scientifiques des données et ingénieurs en apprentissage automatique dans les services financiers
- Analystes de données se transitionnant vers des rôles en apprentissage automatique
- Professionnels de la technologie mettant en œuvre des solutions prédictives dans le secteur financier
7 Heures
