Dziękujemy za wysłanie zapytania! Jeden z członków naszego zespołu skontaktuje się z Państwem wkrótce.
Dziękujemy za wysłanie rezerwacji! Jeden z członków naszego zespołu skontaktuje się z Państwem wkrótce.
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