Grazie per aver inviato la tua richiesta! Uno dei nostri team membri ti contatterà a breve.
Grazie per aver inviato il tuo prenotazione! Uno dei nostri team membri ti contatterà a breve.
Struttura del corso
Introduzione all'ML nei Servizi Finanziari
- Panoramica sui casi d'uso comuni di ML nel settore finanziario
- Vantaggi e sfide dell'ML in settori regolamentati
- Azure Databricks panoramica dell'establishment
Preparazione dei Dati Finanziari per l'ML
- Ingestione dati dal Data Lake di Azure o da database
- Pulizia dei dati, ingegneria delle caratteristiche e trasformazioni
- Analisi esplorativa dei dati (EDA) nei notebook
Addestramento ed Evaluazione di Modelli ML
- Divisione dei dati e scelta degli algoritmi di apprendimento automatico
- Addestramento di modelli di regressione e classificazione
- Valutazione delle prestazioni del modello con metriche finanziarie
Model Management con MLflow
- Tracciamento degli esperimenti con parametri e metriche
- Salvataggio, registrazione e versionamento dei modelli
- Riproducibilità ed elaborazione comparativa dei risultati del modello
Distribuzione e Fornitura di Modelli ML
- Pacchettizzazione dei modelli per inferenza batch o in tempo reale
- Fornitura dei modelli tramite REST APIs o Azure punti finali ML
- Integrazione delle previsioni nei pannelli finanziari o nelle notifiche
Monitoraggio e Ritraining delle Pipeline
- Pianificazione del ritraining periodico dei modelli con nuovi dati
- Monitoraggio della deriva dei dati e dell'accuratezza del modello
- Automatizzazione degli workflow end-to-end con Databricks Jobs
Guida Pratica Use Case: Punteggio Finanziario del Rischio
- Costruzione di un modello per il punteggio del rischio applicato ai prestiti o alle domande di credito
- Spiegazione delle previsioni per trasparenza e conformità
- Distribuzione ed esecuzione del modello in un ambiente controllato
Riepilogo e Prossimi Passaggi
Requisiti
- Conoscenza dei concetti base di machine learning
- Esperienza con Python e analisi dei dati
- Familiarità con i dataset finanziari o la reporting
Pubblico Obiettivo
- Data scientists e ingegneri ML nel settore finanziario
- Analisti dati in transizione verso ruoli di ML
- Professionisti del tecnologico che implementano soluzioni predittive nella finanza
7 ore
