Curso de Aprendizado de Máquina com Azure Databricks para Finanças

Introdução ao ML em Serviços Financeiros

• Vista geral dos casos de uso comuns de ML em finanças
• Benefícios e desafios do ML em setores regulados
• Vista geral do ecossistema Azure Databricks

Preparação de Dados Financeiros para ML

• Ingestão de dados do Azure Data Lake ou bases de dados
• Limpeza de dados, engenharia de características e transformação
• Análise exploratória de dados (EDA) em notebooks

Formação e Avaliação de Modelos de ML

• Particionamento de dados e seleção de algoritmos de ML
• Formação de modelos de regressão e classificação
• Avaliação do desempenho dos modelos com métricas financeiras

Gestão de Modelos com MLflow

• Acompanhamento de experimentos com parâmetros e métricas
• Gravação, registo e versionamento de modelos
• Reprodutibilidade e comparação dos resultados dos modelos

Implantação e Serviço de Modelos de ML

• Empacotamento de modelos para inferência em lote ou em tempo real
• Serviço de modelos via APIs REST ou pontos de acesso do Azure ML
• Integração de previsões em dashboards ou alertas financeiros

Monitorização e Recondução de Pipelines

• Agendamento de recondução periódica de modelos com novos dados
• Monitorização do desvio de dados (data drift) e da precisão do modelo
• Automação de fluxos de trabalho de ponta a ponta com Databricks Jobs

Exemplo Prático: Pontuação de Risco Financeiro

• Construção de um modelo de pontuação de risco para empréstimos ou aplicações de crédito
• Explicação das previsões para transparência e conformidade
• Implantação e teste do modelo num ambiente controlado