Azure Databricks ile Finans Sektörü İçin Makine Öğrenmesi Eğitimi

Finans Sektöründe ML Girişimi

• Yaygın finansal ML kullanım senaryolarının genel bakışı
• Düzenlenmiş sektörlerde ML'in avantajları ve zorlukları
• Azure Databricks ekosistemine genel bakış

Finansal Verilerin ML İçin Hazırlanması

• Azure Data Lake veya veritabanlarından veri alma
• Veri temizliği, özellik mühendisliği ve dönüşüm
• Defterlerde (notebooks) keşifçi veri analizi (EDA)

ML Modellerinin Eğitilmesi ve Değerlendirilmesi

• Veri bölme ve ML algoritmalarının seçimi
• Regresyon ve sınıflandırma modellerinin eğitimi
• Modellerin performansının finansal metriklerle değerlendirilmesi

MLflow ile Model Yönetimi

• Parametreler ve metriklerle deneylerin takibi
• Modellerin kaydedilmesi, kayda geçirilmesi ve sürüm yönetimi
• Model sonuçlarının yeniden üretilebilirliği ve karşılaştırılması

ML Modellerinin Dağıtımı ve Sunumu

• Parti veya gerçek zamanlı çıkarım için modellerin paketlenmesi
• REST API veya Azure ML uç noktaları üzerinden modellerin sunulması
• Tahminlerin finans paneline veya uyarı sistemlerine entegre edilmesi

İzleme ve Yeniden Eğitim Boru Hatları

• Yeni verilerle periyodik model yeniden eğitiminin zamanlanması
• Veri kaymasının (data drift) ve model doğruluğunun izlenmesi
• Databricks İşleri (Jobs) ile uçtan uca iş akışlarının otomasyonu

Kullanım Senaryosu Gösterimi: Finansal Risk Puanlaması

• Kredi veya kredi başvuruları için risk puanı modeli oluşturma
• Şeffaflık ve uyumluluk için tahminlerin açıklanması
• Modelin kontrollü bir ortamda dağıtılması ve test edilmesi