Machine Learning with Azure Databricks for Finance Training Cursus

Inleiding tot ML in Financiële Diensten

• Overzicht van veelvoorkomende financiële ML-gebruiksscenario's
• Voordelen en uitdagingen van ML in gereguleerde sectoren
• Azure Databricks ecosysteemoverzicht

Voorbereiden van Financiële Gegevens voor ML

• Invoeren van gegevens uit de Azure Data Lake of databases
• Gegevensopruiming, feature engineering en transformatie
• Exploratory Data Analysis (EDA) in notebooks

Trainen en Evalueren van ML-Modellen

• Splitsen van gegevens en selecteren van ML-algoritmen
• Trainen van regressie- en classificatiemodellen
• Evaluatie van modelprestaties met financiële metrieken

Model Management met MLflow

• Bijhouden van experimenten met parameters en metrieken
• Opslaan, registreren en versiebeheer van modellen
• Herhaalbaarheid en vergelijking van modelresultaten

Implementeren en Aanbieden van ML-Modellen

• Inpakken van modellen voor batch- of real-time-inferentie
• Aanbieden van modellen via REST APIs of Azure ML-endpoints
• Integreren van voorspellingen in financiële dashboards of meldingen

Monitoren en Hertranen van Pipelines

• Plannen van periodieke modelhertraining met nieuwe gegevens
• Monitoren van gegevensdrift en modelnauwkeurigheid
• Automatiseren van eind-op-eind workflows met Databricks Jobs

Use Case Doorloop: Financiële Risicoscoring

• Bouwen van een risicoscoremodel voor leningen of creditcardaanvragen
• Uitleggen van voorspellingen voor transparantie en naleving
• Implementeren en testen van het model in een gecontroleerde omgeving

Samenvatting en Volgende Stappen