Intrati in legatura

Schița de curs

Introducere în Cursor pentru Fluxurile de Lucru cu Date și ML

  • Prezentare generală a rolului Cursor în ingineria datelor și ML
  • Configurarea mediului și conectarea surselor de date
  • Înțelegerea asistenței AI pentru cod în notebook-uri

Accelerarea Dezvoltării Notebook-urilor

  • Crearea și gestionarea notebook-urilor Jupyter în Cursor
  • Utilizarea AI pentru completarea codului, explorarea datelor și vizualizare
  • Documentarea experimentelor și menținerea reproducibilității

Construirea Conductelor ETL și de Inginerie a Caracteristicilor

  • Generarea și refactorizarea scripturilor ETL cu AI
  • Structurarea conductelor de caracteristici pentru scalabilitate
  • Controlul versiunilor componentelor conductelor și seturilor de date

Antrenarea și Evaluarea Modelelor cu Cursor

  • Scaffoldingul codului de antrenare și buclelor de evaluare
  • Integrarea preprocesării datelor și ajustării hiperparametrilor
  • Asigurarea reproducibilității modelelor în diferite medii

Integrarea Cursor în Conducte MLOps

  • Conectarea Cursor la registrele de modele și fluxurile de lucru CI/CD
  • Utilizarea scripturilor asistate de AI pentru reantrenarea și implementarea automată
  • Monitorizarea ciclului de viață al modelelor și urmărirea versiunilor

Documentație și Raportare Asistate de AI

  • Generarea documentației inline pentru conductele de date
  • Crearea rezumatelor experimentelor și rapoartelor de progres
  • Îmbunătățirea colaborării în echipă cu documentație contextuală

Reproducibilitate și Guvernanță în Proiectele ML

  • Implementarea celor mai bune practici pentru linia de date și modele
  • Menținerea guvernanței și conformității cu codul generat de AI
  • Auditarea deciziilor AI și menținerea urmăririi

Optimizarea Productivității și Aplicații Viitoare

  • Aplicarea strategiilor de prompt pentru iterații mai rapide
  • Explorarea oportunităților de automatizare în operațiunile de date
  • Pregătirea pentru viitoare avansări în integrarea Cursor și ML

Rezumat și Pași Următori

Cerințe

  • Experiență în analiza datelor sau învățarea automată bazată pe Python
  • Înțelegerea fluxurilor de lucru ETL și antrenarea modelelor
  • Familiaritate cu instrumente de control al versiunilor și conducte de date

Publicul țintă

  • Oameni de știință care construiesc și iterează pe notebook-uri ML
  • Ingineri de învățare automată care proiectează conducte de antrenare și inferență
  • Profesioniști MLOps care gestionează implementarea și reproducibilitatea modelelor
 14 Ore

Numărul de participanți


Pret per participant

Cursuri viitoare

Categorii înrudite