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 al machine learning nel settore finanziario
- Panoramica dei principali casi d’uso del machine learning in ambito finanziario
- Vantaggi e sfide legati all’utilizzo del machine learning nei settori regolamentati
- Presentazione generale dell’ecosistema di Azure Databricks
Preparazione dei dati finanziari per il machine learning
- Importazione dei dati da Azure Data Lake o da database correlati
- Pulizia, elaborazione delle caratteristiche e trasformazione dei dati
- Analisi esplorativa dei dati (EDA) mediante i notebook forniti
Addestramento ed valutazione dei modelli di machine learning
- Suddivisione dei dati in training set e test set; selezione degli algoritmi di apprendimento
- Creazione di modelli per regressione e classificazione
- Valutazione delle prestazioni dei modelli con indicatori specifici del settore finanziario
Gestione dei modelli tramite MLflow
- Monitoraggio degli esperimenti attraverso parametri e metriche specifiche
- Salvataggio, registrazione e gestione delle versioni dei modelli creati
- Assicurazione della riproducibilità e confronto tra i risultati ottenuti dai diversi modelli
Distribuzione e servizio dei modelli di machine learning
- Preparazione dei modelli per l’inferenza batch o in tempo reale
- Pubblicazione dei modelli tramite API REST o endpoint forniti da Azure ML
- Integrazione delle previsioni generate nei dashboard finanziari o nei sistemi di allerta
Monitoraggio e aggiornamento periodico dei modelli implementati
- Programmazione automatica del riaddestramento dei modelli con nuovi dati disponibili
- Monitoraggio continuo di eventuali deviazioni nei dati o cali di accuratezza dei modelli
- Automatizzazione end-to-end dei flussi operativi mediante gli strumenti integrati in Databricks Jobs
Analisi pratica di un caso d’uso: valutazione del rischio finanziario
- Sviluppo di un modello in grado di calcolare il punteggio di rischio per richieste di prestiti o credito
- Spiegazione trasparente delle decisioni prese dal modello, a beneficio della conformità normativa
- Test finale e implementazione controllata del modello in un contesto operativo reale
Sintesi finale e indicazioni per i prossimi passi
Requisiti
- Conoscenza di base dei concetti fondamentali del machine learning
- Esperienza nell’utilizzo di Python e nell’analisi dei dati
- Familiarità con set di dati o report finanziari
Destinatari del corso
- Data scientist e ingegneri specializzati in machine learning operanti nel settore finanziario
- Analisti dei dati che intendono avvicinarsi alle discipline legate al machine learning
- Professionisti tecnologici incaricati di implementare soluzioni predittive in ambito finanziario
7 ore
