Plan Szkolenia

Wprowadzenie do Cursora dla przepływów pracy danych i uczenia maszynowego

  • Przegląd roli Cursora w inżynierii danych i ML
  • Konfigurowanie środowiska i łączenie źródeł danych
  • Zrozumienie asystencji kodu opartej na AI w notatnikach

Przyspieszenie rozwoju notatników

  • Tworzenie i zarządzanie notatnikami Jupyter w Cursorze
  • Używanie AI do uzupełniania kodu, eksploracji danych i wizualizacji
  • Dokumentowanie eksperymentów i utrzymanie powtarzalności

Budowanie potoków ETL i inżynierii cech

  • Generowanie i refaktoryzacja skryptów ETL z użyciem AI
  • Strukturyzowanie potoków cech dla skalowalności
  • Kontrola wersji komponentów potoków i zestawów danych

Trening modeli i ewaluacja z użyciem Cursora

  • Scaffolding kodu treningowego modeli i pętli ewaluacji
  • Integracja przetwarzania danych i optymalizacji hiperparametrów
  • Zapewnienie powtarzalności modeli w różnych środowiskach

Integracja Cursora do potoków MLOps

  • Łączenie Cursora z rejestrami modeli i przepływami CI/CD
  • Używanie asystentów kodu opartych na AI do automatycznego ponownego treningu i wdrażania
  • Monitorowanie cyklu życia modeli i śledzenie wersji

Asystent AI w dokumentacji i raportach

  • Generowanie dokumentacji wewnątrzpotokowej dla potoków danych
  • Tworzenie podsumowań eksperymentów i raportów postępów
  • Poprawa współpracy zespołu dzięki dokumentacji powiązanej z kontekstem

Powtarzalność i zarządzanie w projektach ML

  • Implementacja najlepszych praktyk dla linii danych i modeli
  • Utrzymywanie zarządzania i zgodności za pomocą generowanego przez AI kodu
  • Audyt decyzji AI i utrzymanie śledzenia

Optymalizacja produktywności i przyszłe zastosowania

  • Stosowanie strategii podpowiedzi dla szybszej iteracji
  • Badanie możliwości automatyzacji w operacjach danych
  • Przygotowanie do przyszłych zaawansowań integracji Cursora i ML

Podsumowanie i kolejne kroki

Wymagania

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

Grupa docelowa

  • Naukowcy danych tworzący i iterujący nad notatnikami ML
  • Inżynierowie uczenia maszynowego projektujący potoki treningowe i wnioskowania
  • Profesjonaliści MLOps zarządzający wdrażaniem modeli i powtarzalnością
 14 godzin

Liczba uczestników


Cena za uczestnika

Propozycje terminów

Powiązane Kategorie