Aprendizaje automático con Azure Databricks para el sector financiero

Introducción al aprendizaje automático en servicios financieros

• Visión general de los casos de uso comunes de aprendizaje automático en finanzas
• Beneficios y desafíos del aprendizaje automático en industrias reguladas
• Visión general del ecosistema de Azure Databricks

Preparación de datos financieros para el 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 notebooks

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 de los modelos con métricas financieras

Gestión de modelos con MLflow

• Rastreo de experimentos con parámetros y métricas
• Guardado, registro y versionado de modelos
• Reproducibilidad y comparación de resultados de modelos

Implementación y servicio de modelos de aprendizaje automático

• Empaquetado de modelos para inferencia por lotes o en tiempo real
• Servicio de modelos mediante APIs REST o puntos finales de Azure ML
• Integración de predicciones en tableros financieros o alertas

Monitoreo y pipelines de reentrenamiento

• Programación del reentrenamiento periódico de modelos con nuevos datos
• Monitoreo de deriva de datos y precisión de modelos
• Automatización de flujos de trabajo de extremo a extremo con Databricks Jobs

Revisión de caso de uso: Puntuación de riesgo financiero

• Construcción de un modelo de puntuación de riesgo para solicitudes de préstamos o créditos
• Explicación de predicciones para transparencia y cumplimiento
• Implementación y prueba del modelo en un entorno controlado