聯繫我們

課程簡介

金融服務中機器學習的介紹

  • 常見金融 ML 用例概覽
  • 受監管行業中 ML 的益處與挑戰
  • Azure Databricks 生態系統概覽

為 ML 準備金融數據

  • 從 Azure Data Lake 或資料庫攝取數據
  • 數據清理、特徵工程和轉換
  • 在筆記本中進行探索性數據分析 (EDA)

訓練和評估 ML 模型

  • 分割數據並選擇 ML 演算法
  • 訓練回歸和分類模型
  • 使用金融指標評估模型性能

使用 MLflow 進行模型管理

  • 追蹤具有參數和指標的實驗
  • 保存、註冊和版本控制模型
  • 模型結果的可重現性和比較

部署和服務化 ML 模型

  • 打包模型以進行批次或實時推理
  • 透過 REST API 或 Azure ML 端點提供服務
  • 將預測整合到金融儀表板或警報中

監控和重新訓練流程

  • 使用新數據排程定期的模型重新訓練
  • 監控數據漂移和模型準確性
  • 使用 Databricks Jobs 自動化端到端工作流程

用例 walkthrough:金融風險評分

  • 為貸款或信用申請構建風險評分模型
  • 解釋預測結果以確保透明度和合規性
  • 在受控環境中部署和測試模型

總結與下一步

最低要求

  • 對基本機器學習概念的瞭解
  • 具備 Python 和數據分析經驗
  • 熟悉金融數據集或報告流程

受眾

  • 金融服務領域的數據科學家和 ML 工程師
  • 轉向 ML 職位的數據分析師
  • 在金融領域實施預測解決方案的技術專業人員
 7 小時

課程分類