코스 개요

금융 서비스에서의 ML 소개

  • 일반적인 금융 ML 사용 사례 개요
  • 규제 산업에서 ML의 이점과 과제
  • Azure Databricks 생태계 개요

ML을 위한 금융 데이터 준비

  • Azure Data Lake 또는 데이터베이스에서 데이터 임포트
  • 데이터 정제, 피처 엔지니어링 및 변환
  • 노트북에서 탐색적 데이터 분석(EAD)

ML 모델 학습 및 평가

  • 데이터 분할 및 ML 알고리즘 선택
  • 회귀 및 분류 모델 학습
  • 금융 메트릭을 사용한 모델 성능 평가

MLflow를 활용한 모델 관리

  • 매개변수와 메트릭으로 실험 추적
  • 모델 저장, 등록 및 버전 관리
  • 모델 결과의 재현성 및 비교

ML 모델 배포 및 서비스

  • 배치 또는 실시간 추론을 위한 모델 패키징
  • REST API나 Azure ML 엔드포인트를 통한 모델 서비스
  • 금융 대시보드 또는 알림에 예측 통합

파이프라인 모니터링 및 재학습

  • 새로운 데이터로 주기적인 모델 재학습 스케줄링
  • 데이터 드리프트 및 모델 정확도 모니터링
  • Databricks Jobs를 활용한 엔드-투-엔드 워크플로 자동화

사용 사례 진행: 금융 리스크 점수

  • 대출 또는 크레딧 신청을 위한 위험 점수 모델 구축
  • 투명성과 준법성을 위해 예측 설명
  • 제어된 환경에서 모델 배포 및 테스트

요약 및 다음 단계

요건

  • 기본 머신 러닝 개념 이해
  • Python과 데이터 분석 경험이 있음
  • 금융 데이터셋 또는 보고서에 익숙함

대상자

  • 금융 서비스 분야의 데이터 과학자와 ML 엔지니어
  • ML 역할로 전환하는 데이터 분석가
  • 금융에서 예측 솔루션을 구현하는 기술 전문가
 7 시간

참가자 수


참가자당 가격

예정된 코스

관련 카테고리