聯繫我們

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

人數


每位參與者的報價

即將到來的課程

課程分類