Corso di formazione Machine Learning with Azure Databricks for Finance

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