Terima kasih telah mengirimkan pertanyaan Anda! Salah satu anggota tim kami akan segera menghubungi Anda.
Terima kasih telah mengirimkan pemesanan Anda! Salah satu anggota tim kami akan segera menghubungi Anda.
Kerangka Materi
Pengantar ML di Layanan Keuangan
- Gambaran kasus penggunaan ML keuangan yang umum
- Manfaat dan tantangan ML di industri teratur
- Gambaran ekosistem Azure Databricks
Persiapan Data Keuangan untuk ML
- Mengimpor data dari Azure Data Lake atau database
- Pembersihan data, feature engineering, dan transformasi
- Analisis data eksplorasi (EDA) di notebook
Melatih dan Mengevaluasi Model ML
- Membagi data dan memilih algoritma ML
- Melatih model regresi dan klasifikasi
- Mengevaluasi kinerja model dengan metrik keuangan
Manajemen Model dengan MLflow
- Melacak eksperimen dengan parameter dan metrik
- Menyimpan, mendaftarkan, dan versi model
- Reproduktibilitas dan perbandingan hasil model
Menerapkan dan Menyajikan Model ML
- Mengemas model untuk inferensi batch atau real-time
- Menyajikan model melalui REST APIs atau endpoint Azure ML
- Mengintegrasikan prediksi ke dalam dashboard atau alert keuangan
Monitoring dan Retraining Pipeline
- Menjadwalkan pelatihan model berkala dengan data baru
- Memantau drift data dan akurasi model
- Mengotomatisasi alur kerja end-to-end dengan Databricks Jobs
Studi Kasus: Penilaian Risiko Keuangan
- Membangun model penilaian risiko untuk aplikasi pinjaman atau kredit
- Menjelaskan prediksi untuk transparansi dan kepatuhan
- Menerapkan dan menguji model dalam pengaturan terkendali
Ringkasan dan Langkah Selanjutnya
Persyaratan
- Pemahaman tentang konsep dasar machine learning
- Pengalaman dengan Python dan analisis data
- Kenalan dengan dataset atau laporan keuangan
Audience
- Ilmuwan data dan insinyur ML di layanan keuangan
- Analis data yang beralih ke peran ML
- Profesional teknologi yang menerapkan solusi prediktif dalam keuangan
7 Jam
