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.
Schulungsübersicht
Einführung in das maschinelle Lernen in der Finanzbranche
- Übersicht über gängige Anwendungsfälle des ML im Finanzwesen
- Vorteile und Herausforderungen der Nutzung von maschinellem Lernen in regulierten Branchen
- Vorstellung des Azure Databricks-Ökosystems
Vorbereitung finanzieller Daten für das maschinelle Lernen
- Einlesen von Daten aus Azure Data Lake oder gängigen Datenbanken
- Bereinigung, Feature-Engineering sowie Transformation der Daten
- Explorative Datenanalyse (EDA) direkt in Notebooks
Trainieren und Bewerten von maschinellen Lernmodellen
- Aufteilen des Datensatzes sowie Auswahl geeigneter Algorithmen
- Trainieren von Regressions- und Klassifikationsmodellen
- Bewertung der Modellgüte anhand branchenspezifischer Kennzahlen
Verwaltung von Modellen mit MLflow
- Dokumentation und Nachverfolgung von Experimenten inklusive Parametern sowie Ergebnissen
- Speichern, Registrieren sowie Versionierung der Modelle
- Gewährleistung der Reproduzierbarkeit und Vergleich von Modellergebnissen
Bereitstellung und Betrieb maschineller Lernmodelle
- Vorbereiten der Modelle für Batch-Verarbeitung oder Echtzeit-Abfragen
- Aktivierung von Inferenzprozessen via REST-Schnittstellen oder Azure ML-Endpunkte
- Integration der Modellergebnisse in Dashboards und Warnsysteme des Finanzbereichs
Überwachung und automatisches Wiedertraining von Prozessen
- Geplante Aktualisierung der Modelle mit aktuellen Datenmaterialien
- Beobachtung möglicher Veränderungen in den Datensätzen sowie Prüfung der Modellgenauigkeit
- Automatisierung kompletter Arbeitsabläufe mithilfe von Databricks Jobs
Fallbeispiel: Bewertung des Finanzrisikos
- Entwicklung eines Modells zur Risikobewertung für Kreditanträge oder Finanzierungsgesuche
- Erklärbarkeit der Modellentscheidungen für Compliance- und Transparenzanforderungen
- Testen sowie Implementierung des Modells unter kontrollierten Bedingungen
Zusammenfassung und weitere Vorgehensweisen
Voraussetzungen
- Grundverständnis der grundlegenden Konzepte des maschinellen Lernens
- Erfahrung in der Arbeit mit Python sowie Datenanalyse
- Kenntnisse über finanzbezogene Datensätze oder Berichte
Zielgruppe
- Datenwissenschaftler und ML-Ingenieure aus dem Finanzsektor
- Datenanalysten, die sich in Richtung ML weiterqualifizieren möchten
- Technologieexperten, die prädiktive Lösungen im Finanzumfeld implementieren wollen
7 Stunden
