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 all’uso di Cursor nei flussi di lavoro legati ai dati e al machine learning
- Panoramica del ruolo di Cursor nell’ingegneria dei dati e del ML
- Configurazione dell’ambiente e collegamento alle fonti di dati
- Come sfruttare l’assistenza fornita dall’AI all’interno dei notebook
Accelerazione dello sviluppo dei notebook
- Creazione e gestione di notebook Jupyter direttamente in Cursor
- Utilizzo dell’AI per il completamento del codice, l’esplorazione dei dati e la visualizzazione
- Documentazione degli esperimenti e garanzia della riproducibilità
Progettazione di pipeline ETL e ingegneria delle feature
- Generazione e modifica guidata dall’AI degli script ETL
- Strutturazione delle pipeline relative alle feature per garantirne la scalabilità
- Gestione dei componenti delle pipeline e dei dataset tramite il controllo delle versioni
Training ed evaluzione dei modelli con Cursor
- Creazione rapida del codice necessario per il training e i cicli di valutazione dei modelli
- Integrazione tra pre-elaborazione dei dati e ottimizzazione degli iperparametri
- Assicurazione della riproducibilità dei modelli indipendentemente dall’ambiente di utilizzo
Integrazione di Cursor nelle pipeline MLOps
- Collegamento di Cursor ai registri dei modelli e agli ambienti CI/CD
- Impiego dello scripting assistito dall’AI per il retraining automatico e la distribuzione
- Monitoraggio del ciclo di vita dei modelli e tracciamento delle relative versioni
Documentazione e reportistica assistite dall’AI
- Generazione automatica di documentazione inline per le pipeline dati
- Creazione di sintesi degli esperimenti e report sull’avanzamento dei lavori
- Potenziamento della collaborazione tra team grazie alla documentazione contestualizzata
Riproducibilità e governance nei progetti ML
- Applicazione di best practice per garantire la tracciabilità dei dati e dei modelli
- Rispetto delle norme aziendali e regolamentari attraverso l’utilizzo del codice generato dall’AI
- Verifica sistematica delle scelte operate dall’AI per mantenere la trasparenza
Ottimizzazione della produttività e prospettive future
- Strategie di utilizzo dei prompt per ottenere iterazioni più rapide
- Identificazione di opportunità di automazione nei processi dati
- Preparazione alle prossime evoluzioni dell’integrazione tra Cursor e il machine learning
Riassunto del corso e passi successivi
Requisiti
- Esperienza nell’analisi dei dati o nello sviluppo di modelli ML con Python
- Conoscenza dei processi ETL e delle fasi di training dei modelli
- Familiarità con i sistemi di controllo delle versioni e gli strumenti per le pipeline dati
Destinatari
- Data scientist che sviluppano e perfezionano notebook ML
- Ingegneri del machine learning incaricati della progettazione di pipeline di training e inferenza
- Professionisti MLOps responsabili della distribuzione dei modelli e della loro riproducibilità
14 ore
