Vielen Dank für die Zusendung Ihrer Anfrage! Eines unserer Teammitglieder wird Sie in Kürze kontaktieren.
Vielen Dank, dass Sie Ihre Buchung abgeschickt haben! Eines unserer Teammitglieder wird Sie in Kürze kontaktieren.
Dauer 7 Stunden
Schulungsübersicht
Einführung in ML im Finanzdienstleistungssektor
- Überblick über gängige ML-Anwendungsfälle im Finanzwesen
- Vorteile und Herausforderungen von ML in regulierten Branchen
- Überblick über das Ökosystem von Azure Databricks
Vorbereitung finanzieller Daten für ML
- Erfassung von Daten aus dem Azure Data Lake oder Datenbanken
- Reinigung von Daten, Feature-Engineering und Transformationen
- Explorative Datenanalyse (EDA) in Notebooks
Training und Bewertung von ML-Modellen
- Aufteilung der Daten und Auswahl von ML-Algorithmen
- Training von Regressions- und Klassifikationsmodellen
- Bewertung der Modellleistung anhand finanzieller Metriken
Modellverwaltung mit MLflow
- Verfolgung von Experimenten mit Parametern und Metriken
- Speichern, Registrieren und Versionieren von Modellen
- Reproduzierbarkeit und Vergleich von Modellergebnissen
Bereitstellung und Inbetriebnahme von ML-Modellen
- Paketieren von Modellen für Batch- oder Echtzeit-Inferenz
- Bereitstellung von Modellen über REST-APIs oder Azure-ML-Endpunkte
- Integration von Vorhersagen in Finanz-Dashboards oder Warnsysteme
Überwachung und Nachtraining von Pipelines
- Planung des periodischen Nachtrainings von Modellen mit neuen Daten
- Überwachung von Daten-Drift und Modellgenauigkeit
- Automatisierung von End-to-End-Workflows mit Databricks-Jobs
Durchführung eines Anwendungsbeispiels: Financial Risk Scoring
- Aufbau eines Risiko-Score-Modells für Darlehens- oder Kreditanträge
- Erläuterung der Vorhersagen für Transparenz und Compliance
- Bereitstellung und Testen des Modells in einer kontrollierten Umgebung
Voraussetzungen
- Grundlegendes Verständnis von Machine-Learning-Konzepten
- Kenntnisse in Python und Datenanalyse
- Vertrautheit mit finanziellen Datensätzen oder Berichterstattungsprozessen
Zielgruppe
- Data Scientists und ML-Engineers im Finanzdienstleistungssektor
- Datenanalysten, die den Wechsel in ML-Rollen anstreben
- Technologieprofis, die prädiktive Lösungen im Finanzwesen implementieren
