Mulțumim pentru trimiterea solicitării! Un membru al echipei noastre vă va contacta în curând.
Mulțumim pentru trimiterea rezervării! Un membru al echipei noastre vă va contacta în curând.
Durata 14 ore (2 zile)
Schița de curs
Introducere în Cursor pentru fluxurile de lucru cu date și ML
- Prezentarea rolului Cursor în ingineria datelor și ML
- Configurarea mediului și conectarea surselor de date
- Înțelegerea asistării codului prin AI în notebook-uri
Accelerarea dezvoltării notebook-urilor
- Crearea și administrarea notebook-urilor Jupyter în Cursor
- Utilizarea AI pentru completarea codului, explorarea datelor și vizualizare
- Documentarea experimentelor și menținerea reproductibilității
Construirea pipeline-urilor ETL și de feature engineering
- Generarea și refactorizarea scripturilor ETL cu ajutorul AI
- Structurarea pipeline-urilor de feature pentru scalabilitate
- Controlul versiunii componentelor pipeline-ului și ale seturilor de date
Antrenarea și evaluarea modelelor cu Cursor
- Crearea schelelor de cod pentru antrenarea modelelor și buclele de evaluare
- Integrarea preprocesării datelor și ajustării hiperparametrilor
- Asigurarea reproductibilității modelelor în diferite medii
Integrarea Cursor în pipeline-urile MLOps
- Conectarea Cursor cu registrele de modele și fluxurile CI/CD
- Utilizarea scripturilor asistate de AI pentru re-antrenarea automată și implementare
- Monitorizarea ciclului de viață al modelelor și urmărirea versiunilor
Documentare și raportare asistate de AI
- Generarea de documentație inline pentru pipeline-urile de date
- Crearea de rezumate ale experimentelor și rapoarte de progres
- Îmbunătățirea colaborării în echipă prin documentație legată de context
Reproductibilitate și guvernanță în proiectele ML
- Implementarea bunelor practici pentru genealogia datelor și a modelelor
- Menținerea guvernanței și conformității cu codul generat de AI
- Auditul deciziilor luate de AI și menținerea trasabilității
Optimizarea productivității și aplicații viitoare
- Aplicarea strategiilor de prompt pentru iterații mai rapide
- Explorarea oportunităților de automatizare în operațiunile cu date
- Pregătirea pentru avansările viitoare în integrarea Cursor și ML
Concluzii și pași următori
Cerințe
- Experiență în analiza datelor sau machine learning bazate pe Python
- Înțelegerea fluxurilor de lucru pentru ETL și antrenarea modelelor
- Familiaritate cu controlul versiunii și instrumentele de pipeline de date
Public țintă
- Științiștii de date care construiesc și iterează peste notebook-uri ML
- Inginerii de machine learning care proiectează pipeline-uri pentru antrenare și inferență
- Profesioniștii MLOps care gestionează implementarea și reproductibilitatea modelelor
