Mulțumim pentru trimiterea solicitării! Un membru al echipei noastre vă va contacta în curând.
Mulțumim pentru trimiterea rezervării! Un membru al echipei noastre vă va contacta în curând.
Schița de curs
Introducere în Cursor pentru Fluxurile de Lucru ale Datelor și ML
- Prezentare generală a rolului Cursor în inginerie de date și ML
- Configurarea mediului și conectarea surselor de date
- Înțelegerea asistenței AI pentru cod în notebook-uri
Accelerarea Dezvoltării Notebook-urilor
- Crearea și gestionarea notebook-urilor Jupyter în Cursor
- Utilizarea AI pentru completarea codului, explorarea datelor și vizualizare
- Documentarea experimentelor și menținerea reproductibilității
Construirea Pipeline-urilor ETL și de Inginerie a Caracteristicilor
- Generarea și refactorizarea scripturilor ETL cu AI
- Structurarea pipeline-urilor de caracteristici pentru scalabilitate
- Controlul versiunilor componentelor și seturilor de date
Antrenarea și Evaluarea Modelelor cu Cursor
- Scaffolding-ul codului de antrenare a modelelor și buclelor de evaluare
- Integrarea preprocesării datelor și ajustării hiperparametrilor
- Asigurarea reproductibilității modelelor în diferite medii
Integrarea Cursor în Pipeline-uri MLOps
- Conectarea Cursor la registre de modele și fluxuri de lucru CI/CD
- Utilizarea scripturilor asistate de AI pentru reantrenare și implementare automată
- Monitorizarea ciclului de viață al modelelor și urmărirea versiunilor
Documentație și Raportare Asistate de AI
- Generarea de documentație inline pentru pipeline-uri de date
- Crearea de rezumate ale experimentelor și rapoarte de progres
- Îmbunătățirea colaborării în echipă cu documentație legată de context
Reproductibilitate și Guvernanță în Proiectele ML
- Implementarea celor mai bune practici pentru liniile de date și modele
- Menținerea guvernanței și conformității cu codul generat de AI
- Auditarea deciziilor AI și menținerea urmăririi
Optimizarea Productivității și Aplicații Viitoare
- Aplicarea strategiilor de prompt pentru iterație mai rapidă
- Explorarea oportunităților de automatizare în operațiunile de date
- Pregătirea pentru viitoare avansuri în integrarea Cursor și ML
Rezumat și Pași Următori
Cerințe
- Experiență în analiza datelor sau învățarea automată bazată pe Python
- Înțelegere a fluxurilor de lucru ETL și antrenare de modele
- Familiaritate cu instrumente de control al versiunilor și pipeline-uri de date
Publicul țintă
- Oameni de știință care construiesc și iterează pe notebook-uri ML
- Ingineri de învățare automată care proiectează pipeline-uri de antrenare și inferență
- Profesioniști MLOps care gestionează implementarea și reproductibilitatea modelelor
14 Ore
