Grazie per aver inviato la tua richiesta! Uno dei nostri team membri ti contatterà a breve.
Grazie per aver inviato il tuo prenotazione! Uno dei nostri team membri ti contatterà a breve.
Struttura del corso
Introduzione a Cursor per i Flussi di Lavoro di Dati e ML
- Panoramica del ruolo di Cursor nell'ingegneria dei dati e del machine learning
- Configurazione dell'ambiente e connessione delle fonti dati
- Comprensione dell'assistenza al codice basata s'intelligenza artificiale nei notebook
Accelerazione dello Sviluppo dei Notebook
- Creazione e gestione di Jupyter notebook all'interno di Cursor
- Utilizzo dell'IA per il completamento del codice, l'esplorazione dei dati e la visualizzazione
- Documentazione degli esperimenti e mantenimento della riproducibilità
Costruzione di Pipeline ETL e Ingegneria delle Feature
- Generazione e rifattorizzazione di script ETL con l'AI
- Strutturazione di pipeline di feature per la scalabilità
- Controllo della versione dei componenti delle pipeline e dei dataset
Addestramento e Valutazione dei Modelli con Cursor
- Creazione di codice per l'addestramento dei modelli e cicli di valutazione
- Integrazione della preprocessing dei dati e del tuning dei hyperparametri
- Garanzia della riproducibilità dei modelli in diversi ambienti
Integrazione di Cursor nelle Pipeline MLOps
- Connessione di Cursor a registri dei modelli e flussi di lavoro CI/CD
- Utilizzo di script assistiti da IA per l'addestramento e il deployment automatizzati
- Monitoraggio del ciclo di vita dei modelli e tracciamento delle versioni
Documentazione Assistita da AI e Reporting
- Generazione di documentazione inline per le pipeline dei dati
- Creazione di riepiloghi degli esperimenti e report sul progresso
- Miglioramento della collaborazione del team con documentazione legata al contesto
Riproducibilità e Governance nei Progetti ML
- Implementazione di best practice per la tracciabilità dei dati e dei modelli
- Mantenimento della governance e conformità con il codice generato da IA
- Audit delle decisioni AI e mantenimento della tracciabilità
Ottimizzazione della Produttività e Applicazioni Future
- Applicazione di strategie di input per un'iterazione più rapida
- Esplorazione di opportunità di automazione nelle operazioni dei dati
- Preparazione per futuri miglioramenti nell'integrazione tra Cursor e ML
Riepilogo e Passi Successivi
Requisiti
- Esperienza nell'analisi dei dati o nel machine learning basata su Python
- Comprensione dei flussi di lavoro ETL e dell'addestramento dei modelli
- Familiarità con il controllo della versione e gli strumenti delle pipeline dei dati
Pubblico Obiettivo
- Data scientists che costruiscono e iterano su notebook ML
- Ingegneri del machine learning che progettano pipeline di addestramento e inferenza
- Professionisti MLOps che gestiscono il deployment dei modelli e la riproducibilità
14 Ore
