Bądźmy w kontakcie

Plan Szkolenia

Wprowadzenie do Cursor w przepływach pracy danych i ML

  • Omówienie roli Cursor w inżynierii danych i ML
  • Konfiguracja środowiska i łączenie źródeł danych
  • Zrozumienie wsparcia AI w generowaniu kodu w notatnikach

Przyspieszenie rozwoju notatników

  • Tworzenie i zarządzanie notatnikami Jupyter w Cursor
  • Wykorzystanie AI do uzupełniania kodu, eksploracji danych i wizualizacji
  • Dokumentowanie eksperymentów i utrzymywanie powtarzalności

Budowanie potoków ETL i inżynierii cech

  • Generowanie i refaktoryzacja skryptów ETL z pomocą AI
  • Strukturyzowanie potoków cech pod kątem skalowalności
  • Kontrola wersji komponentów potoków i zbiorów danych

Trenowanie i ocena modeli z Cursor

  • Tworzenie szkieletów kodu do trenowania modeli i pętli oceny
  • Integracja przetwarzania danych i strojenia hiperparametrów
  • Zapewnianie powtarzalności modeli w różnych środowiskach

Integracja Cursor z potokami MLOps

  • Łączenie Cursor z rejestrami modeli i przepływami CI/CD
  • Wykorzystanie skryptów wspieranych przez AI do automatycznego retrenowania i wdrażania
  • Monitorowanie cyklu życia modeli i śledzenie wersji

Dokumentacja i raportowanie wspierane przez AI

  • Generowanie dokumentacji wbudowanej dla potoków danych
  • Tworzenie podsumowań eksperymentów i raportów postępu
  • Poprawa współpracy w zespole dzięki dokumentacji powiązanej z kontekstem

Powtarzalność i zarządzanie w projektach ML

  • Wdrażanie najlepszych praktyk dla linii danych i modeli
  • Utrzymywanie zarządzania i zgodności z kodem generowanym przez AI
  • Audytowanie decyzji AI i utrzymywanie możliwości śledzenia

Optymalizacja produktywności i przyszłe zastosowania

  • Stosowanie strategii promptów do szybszej iteracji
  • Eksploracja możliwości automatyzacji w operacjach na danych
  • Przygotowanie na przyszłe postępy w integracji Cursor i ML

Podsumowanie i kolejne kroki

Wymagania

  • Doświadczenie w analizie danych lub uczeniu maszynowym opartym na Pythonie
  • Zrozumienie przepływów pracy ETL i trenowania modeli
  • Znajomość narzędzi do kontroli wersji i potoków danych

Odbiór

  • Analitycy danych tworzący i iterujący na notatnikach ML
  • Inżynierowie uczenia maszynowego projektujący potoki treningowe i wnioskowania
  • Specjaliści MLOps zarządzający wdrażaniem modeli i ich powtarzalnością
 14 godzin

Liczba uczestników


Cena za uczestnika (netto)

Propozycje terminów

Powiązane Kategorie