Machine Learning mit Azure Databricks für den Finanzsektor Schulung

Einführung in ML im Finanzsektor

• Überblick über gängige ML-Anwendungsfälle im Finanzbereich
• Vorteile und Herausforderungen von ML in regulierten Branchen
• Überblick über das Azure-Databricks-Ökosystem

Vorbereitung von Finanzdaten für ML

• Eingabe von Daten aus Azure Data Lake oder Datenbanken
• Datenbereinigung, Feature Engineering und Transformation
• Explorative Datenanalyse (EDA) in Notebooks

Training und Bewertung von ML-Modellen

• Aufteilung von Daten und Auswahl von ML-Algorithmen
• Training von Regressions- und Klassifikationsmodellen
• Bewertung der Modellleistung anhand von Finanzkennzahlen

Modellverwaltung mit MLflow

• Verfolgung von Experimenten mit Parametern und Metriken
• Speichern, Registrieren und Versionsverwalten von Modellen
• Reproduzierbarkeit und Vergleich von Modellergebnissen

Bereitstellung und Serving von ML-Modellen

• Packaging von Modellen für Batch- oder Echtzeit-Inferenz
• Bereitstellung von Modellen über REST-APIs oder Azure-ML-Endpunkte
• Integration von Vorhersagen in Finanz-Dashboards oder Alarme

Überwachung und erneutes Training von Pipelines

• Zeitpläne für das periodische erneute Training von Modellen mit neuen Daten
• Überwachung von Daten-Drift und Modellgenauigkeit
• Automatisierung von End-to-End-Workflows mit Databricks-Jobs

Praxisbeispiel: Risikobewertung im Finanzsektor

• Entwicklung eines Risikoscore-Modells für Kredit- oder Darlehensanträge
• Erläuterung von Vorhersagen für Transparenz und Compliance
• Bereitstellung und Test des Modells in einer kontrollierten Umgebung