문의를 보내주셔서 감사합니다! 팀원이 곧 연락드리겠습니다.
예약을 보내주셔서 감사합니다! 저희 팀 멤버 중 한 분이 곧 연락드리겠습니다.
코스 개요
금융 서비스 분야의 머신러닝 개요
- 금융 업계에서 흔히 활용되는 머신러닝 사용 사례 소개
- 규제가 엄격한 산업에서의 머신러닝 도입 시 장점 및 한계 설명
- Azure Databricks 에코시스템에 대한 기본적인 이해
금융 데이터의 머신러닝 활용을 위한 전처리 방법
- Azure Data Lake 혹은 각종 데이터베이스로부터의 데이터 수집
- 데이터 정제, 특징 추출 및 변환 작업 진행
- 노트북 환경에서 탐색적 데이터 분석(EDA) 수행
머신러닝 모델 훈련 및 평가 방법
- 학습용 데이터 분할 기법과 적절한 알고리즘 선택 방안
- 회귀 모델 및 분류 모델의 훈련 절차
- 금융 지표를 기준으로 한 모델 성능 평가 방법
MLflow를 활용한 모델 관리 전략
- 파라미터 및 측정 지표 기반으로 실험 과정을 추적하는 방법
- 모델의 저장, 등록 및 버전 관리 절차
- 동일 조건에서 재현 가능성 확보 및 다양한 실험 결과 간 비교 기법
머신러닝 모델의 배포 및 서비스화 방안
- 배치 처리 혹은 실시간 추론을 위해 모델 패키징하는 방법
- REST API 또는 Azure ML 엔드포인트를 통한 모델 서비스 제공 기법
- 예측 결과를 금융 대시보드 혹은 알림 시스템에 연결하는 절차
모델 성능 모니터링 및 재훈련 파이프라인 구축 방법
- 새로운 데이터를 활용해 정기적으로 모델을 재학습시키는 일정 계획
- 데이터 변동성과 모델의 예측 정확도 지속 모니터링 방법
- Databricks Jobs를 활용한 전체 워크플로우 자동화 절차
사례 연구: 금융 리스크 점수 산출 모델 구축 과정
- 대출 및 신용 신청 건에 대한 리스크 점수 산출 모델 개발 방안
- 결과의 투명성과 규제 준수를 위한 예측 사유 설명 기법
- 통제된 환경 내에서 모델 배포 및 테스트 절차
요약 및 향후 학습 방향 안내
요건
- 머신러닝 기본 개념에 대한 이해
- Python 및 데이터 분석 경험
- 금융 관련 데이터셋 혹은 보고서 활용 경험
대상 수강생
- 금융 서비스 분야의 데이터 과학자 및 머신러닝 엔지니어
- 머신러닝 직무로 전환을 희망하는 데이터 분석가
- 금융 분야에서 예측형 솔루션 도입을 준비 중인 기술 전문가
7 시간
