Mašinsko učenje pomoću Azure Databricks-a za finansije Kurs za obuku

Uvod u mašinsko učenje u finansijskim uslugama

• Pregled uobičajenih slučaja upotrebe mašinskog učenja u finansijama
• Prednosti i izazovi mašinskog učenja u regulisanim industrijama
• Pregled ekosistema Azure Databricks-a

Priprema finansijskih podataka za mašinsko učenje

• Uvođenje podataka iz Azure Data Lake-a ili baza podataka
• Čišćenje podataka, inženjering karakteristikama (feature engineering) i transformacije
• Eksplorativna analiza podataka (EDA) u bilježnicama (notebooks)/li>

Trening i evaluacija modela mašinskog učenja

• Podela podataka i izbor algoritama mašinskog učenja
• Trening modela regresije i klasifikacije
• Evaluacija performansi modela uz pomoću finansijskih metrika

Upravljanje modelima uz pomoć MLflow-a

• Pratnja eksperimenata uz parametre i metrike
• Sačuvanje, registracija i verzionisanje modela
• Reproducibilnost i poređenje rezultata modela

Implementacija i serviranje modela mašinskog učenja

• Paketiranje modela za batch ili real-time inferencu
• Serviranje modela putem REST API-ja ili Azure ML endpoint-a
• Integracija predviđanja u finansijske dashboard-ove ili obaveštenja

Monitoring i retraining pipeline-ova

• Zakazivanje periodičnog ponovnog treninga modela sa novim podacima
• Monitoring pomaka podataka (data drift) i tačnosti modela
• Automatizacija end-to-end radnih tokova pomoću Databricks Jobs

Prikaz slučaja upotrebe: Finansijska ocena rizika

• Izgradnja modela za ocenu rizika za kredite ili kreditne zahteve
• Objašnjavanje predviđanja radi prozračnosti i usklađenosti
• Implementacija i testiranje modela u kontrolisanom okruženju