Merci d'avoir envoyé votre demande ! Un membre de notre équipe vous contactera sous peu.
Merci d'avoir envoyé votre réservation ! Un membre de notre équipe vous contactera sous peu.
Plan du cours
Introduction au ML dans les services financiers
- Aperçu des cas d'usage courants du ML dans la finance
- Avantages et défis du ML dans les industries réglementées
- Aperçu de l'écosystème Azure Databricks
Préparation des données financières pour le ML
- Ingestion des données depuis Azure Data Lake ou des bases de données
- Nettoyage des données, ingénierie des fonctionnalités et transformation
- Analyse exploratoire des données (EDA) dans les notebooks
Entraînement et évaluation des modèles ML
- Fractionnement des données et sélection des algorithmes ML
- Entraînement de modèles de régression et de classification
- Évaluation de la performance des modèles avec des indicateurs financiers
Gestion des modèles avec MLflow
- Suivi des expériences avec les paramètres et les métriques
- Sauvegarde, enregistrement et versionnement des modèles
- Reproductibilité et comparaison des résultats des modèles
Déploiement et service des modèles ML
- Emballage des modèles pour l'inférence par lot ou en temps réel
- Mise à disposition des modèles via des API REST ou des points de terminaison Azure ML
- Intégration des prédictions dans les tableaux de bord ou les alertes financières
Surveillance et pipelines de réentraînement
- Planification du réentraînement périodique des modèles avec de nouvelles données
- Surveillance de la dérive des données et de la précision des modèles
- Automatisation des workflows de bout en bout avec les tâches Databricks
Étude de cas : score 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
Résumé et prochaines étapes
Pré requis
- Une compréhension des concepts de base de l'apprentissage automatique
- De l'expérience avec Python et l'analyse de données
- La familiarité avec les ensembles de données ou les rapports financiers
Public cible
- Scientifiques des données et ingénieurs en ML dans les services financiers
- Analystes de données évoluant vers des rôles en ML
- Professionnels de la technologie mettant en œuvre des solutions prédictives dans la finance
7 Heures
