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 los casos de uso comunes de aprendizaje automático en el sector financiero.
- Beneficios y desafíos del aprendizaje automático en industrias reguladas.
- Descripción general del ecosistema Azure Databricks.
Preparación de datos financieros para aprendizaje automático
- 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 de notas.
Entrenamiento y evaluación de modelos de aprendizaje automático
- División de datos y selección de algoritmos de aprendizaje automático.
- Entrenamiento de modelos de regresión y clasificación.
- Evaluación del rendimiento del modelo con métricas financieras.
Gestión de modelos con MLflow
- Seguimiento de experimentos mediante parámetros y métricas.
- Guardado, registro y versionado de modelos.
- Reproducibilidad y comparación de resultados de modelos.
Implementación y entrega de modelos de aprendizaje automático
- Empaquetado de modelos para inferencia por lotes o en tiempo real.
- Entrega de modelos a través de APIs REST o puntos de conexión de Azure ML.
- Integración de predicciones en cuadros de mando financieros o sistemas de alertas.
Monitoreo y reprocesamiento mediante tuberías automatizadas
- Programación del reprocesamiento periódico de modelos con nuevos datos.
- Monitoreo de la deriva de datos y la precisión del modelo.
- Automatización de flujos de trabajo completos mediante 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 garantizar transparencia y cumplimiento normativo.
- Implementación y prueba del modelo en un entorno controlado.
Resumen y próximos pasos
Requerimientos
- Comprensión de los conceptos básicos del aprendizaje automático.
- Experiencia con Python y análisis de datos.
- Conocimiento previo de conjuntos de datos financieros o informes relacionados.
Público objetivo
- Científicos de datos e ingenieros de aprendizaje automático en servicios financieros.
- Analistas de datos que transicionan hacia roles de aprendizaje automático.
- 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.
