Tack för att du skickade din fråga! En av våra teammedlemmar kontaktar dig snart.
Tack för att du skickade din bokning! En av våra teammedlemmar kontaktar dig snart.
Kursplan
Introduktion till Cursor för data- och ML-arbetsflöden
- Översikt över Cursors roll i data- och ML-ingång
- Konfigurera miljön och anslut dataslutpunkter
- Förstå AI-driven kodhjälp i notebooks
Ökning av notebook-utveckling
- Skapa och hantera Jupyter-notebooks inom Cursor
- Använda AI för kodkomplettering, datautforskning och visualisering
- Dokumentera experiment och underhåll reproducerbarhet
Bygga ETL- och feature engineering-pipelines
- Generera och refaktorera ETL-skript med AI
- Strukturera feature-pipelines för skalbarhet
- Versionskontrollera pipelinekomponenter och datasätt
Modellträning och utvärdering med Cursor
- Skapa modellträningskod och utvärderingsloppar
- Integrera datapreprocessing och hyperparameterjustering
- Säkerställa modellreproducerbarhet i olika miljöer
Integrera Cursor i MLOps-pipelines
- Anslut Cursor till modellregistrieringar och CI/CD-arbetsflöden
- Använd AI-assisterade skript för automatisk återträning och distribution
- Övervaka modelllifecykeln och versionskontroll
AI-assisterad dokumentation och rapportering
- Generera inline-dokumentation för datapipelines
- Skapa experimentsummeringar och framstegsrapporter
- Förbättra teamkollaboration med kontextlänkad dokumentation
Reproducerbarhet och styrning i ML-projekt
- Implementera bästa praxis för data- och modellstamträd
- Underhåll styrning och compliance med AI-genererad kod
- Granska AI-decisioner och underhåll spårbarhet
Optimering av produktivitet och framtida tillämpningar
- Tillämpa promptstrategier för snabbare iterationer
- Utforska automatiseringstillfällen i dataoperationer
- Förbered dig för framtida Cursor- och ML-integreringstillägg
Sammanfattning och nästa steg
Krav
- Erfarenhet av Python-baserad dataanalys eller maskininlärning
- Förståelse för ETL- och modellträningsarbetsflöden
- Bekantskap med versionskontroll och datapipelineverktyg
Målgrupp
- Dataspecialister som bygger och itererar på ML-notebooks
- Maskininlärningsingenjörer som utformar träning- och inferenspipelines
- MLOps-professionals som hanterar modelldistribution och reproducerbarhet
14 timmar