Formation Machine Learning avec Azure Databricks pour la finance

Introduction au Machine Learning dans les services financiers

• Vue d'ensemble des cas d'usage courants du ML dans la finance
• Avantages et défis du Machine Learning dans les industries réglementées
• Vue d'ensemble de l'écosystème Azure Databricks

Préparation des données financières pour le Machine Learning

• Ingérence des données depuis Azure Data Lake ou des bases de données
• Nettoyage des données, ingénierie des caractéristiques et transformation
• Analyse exploratoire de données (EDA) dans les notebooks

Entraînement et évaluation des modèles de Machine Learning

• Division des données et sélection des algorithmes de Machine Learning
• Entraînement de modèles de régression et de classification
• Évaluation de la performance des modèles avec des métriques financières

Gestion des modèles avec MLflow

• Suivi des expériences avec paramètres et métriques
• Sauvegarde, enregistrement et gestion de la version des modèles
• Reproductibilité et comparaison des résultats des modèles

Déploiement et service des modèles de Machine Learning

• Emballage des modèles pour une inférence par lots ou en temps réel
• Servir les modèles via des API REST ou des points de terminaison Azure ML
• Intégration des prévisions dans les tableaux de bord financiers ou les alertes

Surveillance et pipelines de réentraînement

• Planification du réentraînement périodique des modèles avec de nouvelles données
• Surveillance de la dérive des données et de l'exactitude des modèles
• Automatisation des workflows de bout en bout avec Databricks Jobs

Déroulement d'un cas d'usage : Score de risque financier

• Construction d'un modèle de score de risque pour les demandes de prêt ou de crédit
• Explication des prévisions pour la transparence et la conformité
• Déploiement et test du modèle dans un environnement contrôlé