Aprendizaje automático con Azure Databricks para el sector financiero

Introducción al ML en servicios financieros

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

Preparación de datos financieros para ML

• Ingesta 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 ML

• División de datos y selección de algoritmos de ML
• Entrenamiento de modelos de regresión y clasificación
• Evaluación del rendimiento del modelo con métricas financieras

Gestión de modelos con MLflow

• Rastreo de experimentos con parámetros y métricas
• Guardado, registro y versionamiento de modelos
• Reproducibilidad y comparación de resultados del modelo

Implementación y servicio de modelos de ML

• 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 reentrenamiento de pipelines

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

Análisis de caso: Puntuación de riesgo financiero

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