Formation Apprentissage automatique avec Azure Databricks pour le secteur financier

Introduction au machine learning dans les services financiers

• Aperçu des cas d’usage courants du machine learning dans le secteur financier
• Avantages et défis du machine learning dans les industries réglementées
• Aperçu de l’écosystème Azure Databricks

Préparation des données financières pour le machine learning

• Importation des données depuis Azure Data Lake ou des bases de données
• Nettoyage des données, ingénierie des caractéristiques (feature engineering) et transformation
• Analyse exploratoire de données (EDA) dans des notebooks

Entraînement et évaluation des modèles de machine learning

• Partitionnement des données et sélection d’algorithmes de machine learning
• Entraînement de modèles de régression et de classification
• Évaluation de la performance des modèles à l’aide de métriques financières

Gestion des modèles avec MLflow

• Suivi des expériences avec paramètres et métriques
• Enregistrement, inscription et versionnage des modèles
• Reproductibilité et comparaison des résultats des modèles

Déploiement et mise en service des modèles de machine learning

• Emballage des modèles pour une inférence par lots ou en temps réel
• Mise en service des modèles via des API REST ou des points d’accès Azure ML
• Intégration des prédictions dans des tableaux de bord financiers ou des alertes

Surveillance et réentraînement des pipelines

• Planification du réentraînement périodique des modèles avec de nouvelles données
• Surveillance de la dérive des données (data drift) et de la précision des modèles
• Automatisation des flux de travail de bout en bout avec Databricks Jobs

Étude de cas : Notation de risque financier

• Construction 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