感謝您提交詢問!我們的一位團隊成員將在短時間內與您聯繫。
感謝您提交預訂!我們的一位團隊成員將在短時間內與您聯繫。
課程簡介
金融服務中的機器學習簡介
- 常見金融機器學習案例概述。
- 受監管產業中機器學習的益處與挑戰。
- Azure Databricks 生態系概述。
為機器學習準備金融資料
- 從 Azure Data Lake 或資料庫擷取資料。
- 資料清理、特徵工程與轉換。
- 在筆記本中進行探索性資料分析 (EDA)。
訓練與評估機器學習模型
- 分割資料並選擇機器學習演算法。
- 訓練回歸與分類模型。
- 使用金融指標評估模型效能。
使用 MLflow 進行模型管理
- 追蹤包含參數和指標的實驗。
- 儲存、註冊與版本控制模型。
- 模型結果的可重現性與比較。
部署與提供機器學習模型
- 將模型打包以進行批次或即時推論。
- 透過 REST API 或 Azure ML 端點提供模型服務。
- 將預測整合至金融儀表板或警示系統中。
監控與重新訓練管線
- 排程使用新資料定期重新訓練模型。
- 監控資料漂移與模型準確度。
- 透過 Databricks Jobs 自動化端到端工作流程。
案例 walkthrough:金融風險評分
- 為貸款或信用申請建立風險評分模型。
- 解釋預測結果以確保透明度和合規性。
- 在受控環境中部署並測試模型。
總結與後續步驟
最低要求
- 具備基本的機器學習概念知識。
- 擁有 Python 和資料分析的實務經驗。
- 熟悉金融資料集或報表處理。
目標受眾
- 金融服務業中的資料科學家與機器學習工程師。
- 轉型至機器學習角色的資料分析師。
- 在金融領域實施預測解決方案的技術專業人士。
7 小時