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 di dati e ML
- Configurazione dell'ambiente e collegamento alle fonti di dati
- Comprensione dell'assistenza al codice basata sull'IA nei notebook
Accelerazione dello sviluppo dei notebook
- Creazione e gestione di notebook Jupyter 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
Creazione di pipeline ETL e di feature engineering
- Generazione e rifattorizzazione di script ETL con l'IA
- Strutturazione delle pipeline di feature per la scalabilità
- Version control dei componenti delle pipeline e dei set di dati
Addestramento e valutazione dei modelli con Cursor
- Creazione dello scheletro per il codice di addestramento e i loop di valutazione
- Integrazione della preprocessing dei dati e dell'ottimizzazione degli iperparametri
- Garantire la riproducibilità del modello attraverso diversi ambienti
Integrazione di Cursor nelle pipeline MLOps
- Collegamento di Cursor ai registri dei modelli e ai flussi di lavoro CI/CD
- Utilizzo di script assistiti dall'IA per il riaddestramento e il deployment automatici
- Monitoraggio del ciclo di vita del modello e tracciamento delle versioni
Documentazione e reportistica assistiti dall'IA
- Generazione di documentazione inline per le pipeline di dati
- Creazione di riepiloghi degli esperimenti e report di avanzamento
- Miglioramento della collaborazione di team con documentazione contestuale
Riproducibilità e governance nei progetti ML
- Implementazione delle migliori pratiche per la genealogia di dati e modelli
- Mantenimento di governance e conformità con il codice generato dall'IA
- Auditing delle decisioni dell'IA e mantenimento della tracciabilità
Ottimizzazione della produttività e applicazioni future
- Applicazione di strategie di prompt per un'iterazione più rapida
- Esplorazione delle opportunità di automazione nelle operazioni sui dati
- Preparazione alle future innovazioni nell'integrazione di Cursor e ML
Riepilogo e prossimi passi
Requisiti
- Esperienza nell'analisi dei dati o nel machine learning basati su Python
- Conoscenza dei flussi di lavoro ETL e di addestramento dei modelli
- Familiarità con il version control e gli strumenti per le pipeline di dati
Pubblico target
- Scientifici dei dati che creano e iterano notebook ML
- Ingegneri di machine learning che progettano pipeline di addestramento e inferenza
- Professionisti MLOps che gestiscono il deployment dei modelli e la riproducibilità
14 ore
