Machine Learning mit Azure Databricks für den Finanzsektor Schulung

Einführung in ML im Finanzdienstleistungswesen

• Überblick über gängige ML-Anwendungsfälle in der Finanzbranche
• Vorteile und Herausforderungen von ML in regulierten Industrien
• Überblick über das Azure-Databricks-Ökosystem

Vorbereitung von Finanzdaten für ML

• Eingabe von Daten aus Azure Data Lake oder Datenbanken
• Data Cleaning, Feature Engineering und Transformation
• Explorative Datenanalyse (EDA) in Notebooks

Training und Evaluierung von ML-Modellen

• Aufteilung der Daten und Auswahl von ML-Algorithmen
• Training von Regressions- und Klassifikationsmodellen
• Evaluierung der Modellleistung anhand finanzieller Kennzahlen

Modellverwaltung mit MLflow

• Verfolgung von Experimenten einschließlich Parametern und Kennzahlen
• Speichern, Registrieren und Versionieren von Modellen
• Reproduzierbarkeit und Vergleich von Modellergebnissen

Bereitstellung und Serving von ML-Modellen

• Packaging von Modellen für Batch- oder Echtzeit-Inferenz
• Serving von Modellen über REST-APIs oder Azure-ML-Endpoints
• Integration von Vorhersagen in Finanz-Dashboards oder Alert-Systeme

Monitoring und Retraining-Pipelines

• Planung des periodischen Modellretrainings mit neuen Daten
• Überwachung von Data Drift und Modellgenauigkeit
• Automatisierung End-to-End-Workflows mit Databricks-Jobs

Praxisbeispiel: Finanzrisiko-Bewertung

• Aufbau eines Risikoscore-Modells für Kredit- oder Darlehensanträge
• Erläuterung von Vorhersagen für Transparenz und Compliance
• Bereitstellung und Testen des Modells in einer kontrollierten Umgebung