Gracias por enviar su consulta! Uno de los miembros de nuestro equipo se pondrá en contacto con usted en breve.
Gracias por enviar su reserva! Uno de los miembros de nuestro equipo se pondrá en contacto con usted en breve.
Temario del curso
Introducción al aprendizaje automático en servicios financieros
- Descripción general de casos de uso comunes de ML en finanzas.
- Beneficios y desafíos del ML en industrias reguladas.
- Descripción general del ecosistema de Azure Databricks.
Preparación de datos financieros para ML
- Ingestión de datos desde Azure Data Lake o bases de datos.
- Limpieza de datos, ingeniería de características y transformación.
- Análisis exploratorio de datos (EDA) en cuadernos.
Entrenamiento y evaluación de modelos de ML
- División de datos y selección de algoritmos de ML.
- Entrenamiento de modelos de regresión y clasificación.
- Evaluación del rendimiento del modelo con métricas financieras.
Gestión de modelos con MLflow
- Seguimiento de experimentos con parámetros y métricas.
- Guardado, registro y versionado de modelos.
- Reproducibilidad y comparación de resultados de modelos.
Despliegue y servicio de modelos de ML
- Empaquetado de modelos para inferencia por lotes o en tiempo real.
- Servicio de modelos mediante APIs REST o endpoints de Azure ML.
- Integración de predicciones en paneles financieros o alertas.
Vigilancia y pipelines de reentrenamiento
- Programación de reentrenamiento periódico de modelos con nuevos datos.
- Vigilancia de la deriva de datos y la precisión del modelo.
- Automatización de flujos de trabajo de extremo a extremo con Databricks Jobs.
Recorrido por un caso de uso: puntuación de riesgo financiero
- Construcción de un modelo de puntuación de riesgo para solicitudes de préstamos o crédito.
- Explicación de las predicciones para transparencia y cumplimiento normativo.
- Despliegue y prueba del modelo en un entorno controlado.
Resumen y próximos pasos
Requerimientos
- Comprensión de los conceptos básicos de aprendizaje automático.
- Experiencia con Python y análisis de datos.
- Familiaridad con conjuntos de datos o informes financieros.
Público objetivo
- Científicos de datos e ingenieros de ML en servicios financieros.
- Analistas de datos que transicionan a roles de ML.
- Profesionales de tecnología que implementan soluciones predictivas en el sector financiero.
7 Horas
Testimonios (1)
Todos los temas que abarca, aunque muchos fueron muy rápidos, nos da una idea de lo que necesitaremos ahondar. Además me gustó que pudimos hacer practicas, aunque insisto, creo que el curso amerita mas.
