Machine Learning with Azure Databricks for Finance Training Course

Εισαγωγή στην ML στους Φινανσιακούς Υπηρεσίες

• Περιγραφή των κοινών περιπτώσεων χρήσης ML στις φινανσιακές επιχειρήσεις
• Αξίες και προκλήσεις της ML σε ρυθμιζόμενους κλάδους
• Azure Databricks περιγραφή οιkosτοίκης

Αποτυπωμένη Φινανσιακή Δεδομένων για ML

• Εισαγωγή δεδομένων από το Azure Data Lake ή βάσεις δεδομένων
• Προξενητική καθαρισμού, μηχανική των χαρακτηριστικών, και μετάδοση
• Αναζητησιμότητα δεδομένων (EDA) (EDA) σε notebook

Δίδαξη και Εκτίμηση ML Μοντέλων

• Διαχωρισμός δεδομένων και επιλογή ML γλυκά τεχνητής νοημοσύνης
• Εξάσκηση μοντέλων παραγωγής και ταξινόμησης
• Έλεγχος εκπαιδευτικών δείκτων σε μοντέλα που αφορούν τη φινανσιακή υπηρεσία

Μοντέλο Management με MLflow

• Ταξινόμηση πειραμάτων με παράμετρους και δείκτες
• Διαθέτοντας, εγγράφοντας, και χρονοσειράρχηση μοντέλων
• Αναπαραγωγή και σύγκριση των αποτελεσμάτων του μοντέλου

Πίεση και Εξυπηρέτηση ML Μοντέλων

• Πακέτος μοντέλων για συνδέσιμη ή πραγματική χρονική δεξιότητα
• Δίνουν εφαρμογές με REST APIs ή Azure ML endpoints
• Περισπώληξ των πρόβλεψης στα φινανσιακά κεφαλαια ή ειδοποιήσεις

Επίβλεψη και Σχεδιασμός Πιπέλ

• Ρυθμισμός περιοδικής εξάσκησης μοντέλων με νέους δείκτες
• Επίβλεψη σύγχυσης και ακρίβειας του μοντέλου
• Διαδικτυακός εργασιακός ρυθμός με Databricks Jobs

Περιπτώσεις: Φινανσιακή Διαχείριση κωδικού

• Σχεδιασμός μοντέλου για τη διαχείριση χρέους ή εφαρμογών κρέδιτ
• Εξήγηση πρόβλεψης για αποκάλυψη και συμμόρφωση
• Πίεση και δοκιμή του μοντέλου σε ένα ρυθμιζόμενο περιβάλλον

Σύνοψη και Επόμενα Βήματα