Machine Learning with Azure Databricks for Finance Training Course

Einführung in ML in Finanzdienstleistungen

• Überblick über häufige ML-Anwendungsfälle im Bereich der Finanzen
• Vorteile und Herausforderungen von ML in regulierten Branchen
• Azure Databricks Ökosystem-Überblick

Vorbereitung von finanzbezogenen Daten für ML

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

Training und Bewertung von ML-Modellen

• Aufteilen der Daten und Auswahl von ML-Algorithmen
• Trainieren von Regressions- und Klassifikationsmodellen
• Bewertung der Modellleistung mit finanzbezogenen Metriken

Modell Management mit MLflow

• Nachverfolgen von Experimenten mit Parametern und Metriken
• Speichern, Registrieren und Versionieren von Modellen
• Wiederholbarkeit und Vergleich der Modellergebnisse

Bereitstellen und Anbieten von ML-Modellen

• Verpacken von Modellen für Batch- oder Echtzeitanwendungen
• Anbieten von Modellen über REST-APIs oder Azure ML Endpunkte
• Integration der Vorhersagen in Finanzdashboards oder Warnungen

Überwachung und Wiederholtes Training von Pipelines

• Planen des regelmäßigen Wiederholten Trainings mit neuen Daten
• Überwachen der Datendrift und Modellgenauigkeit
• Automatisierung von end-to-end-Abläufen mit Databricks Jobs

Use Case-Walkthrough: Finanzrisikobewertung

• Erstellen eines Risiko-Bewertungsmodells für Kreditanträge oder Kreditaufnahmen
• Erläuterung von Vorhersagen zur Transparenz und Einhaltung gesetzlicher Vorgaben
• Bereitstellen und Testen des Modells in einer kontrollierten Umgebung

Zusammenfassung und nächste Schritte