Свържете се с нас

Съдържание и теми, включени в курса

Въведение в Cursor за работни потоци с данни и машинно обучение

  • Обзор на ролята на Cursor в инженеринга на данни и машинно обучение
  • Настройка на средата и свързване на източници на данни
  • Разбиране на AI-асистираната помощ за код в тетрадки

Ускоряване на разработката на тетрадки

  • Създаване и управление на Jupyter тетрадки в Cursor
  • Използване на AI за довършване на код, изследване на данни и визуализация
  • Документиране на експерименти и поддържане на възпроизводимост

Изграждане на ETL и пайплайни за създаване на характеристики

  • Генериране и преработване на ETL скриптове с изкуствен интелект
  • Структуриране на пайплайни за характеристики за мащабируемост
  • Контрол на версиите на компоненти на пайплайни и набори от данни

Обучение и оценка на модели с Cursor

  • Скелетно генериране на код за обучение на модели и цикли за оценка
  • Интегриране на предварителна обработка на данни и настройка на хиперпараметри
  • Осигуряване на възпроизводимост на моделите в различни среди

Интегриране на Cursor в MLOps пайплайни

  • Свързване на Cursor с регистри на модели и CI/CD работни потоци
  • Използване на AI-асистирани скриптове за автоматизирано преобучение и внедряване
  • Мониторинг на жизнения цикъл на моделите и проследяване на версиите

AI-асистирана документация и отчитане

  • Генериране на вградена документация за пайплайни с данни
  • Създаване на обобщения на експерименти и доклади за напредъка
  • Подобряване на екипната колаборация с контекстно свързана документация

Възпроизводимост и управление в ML проекти

  • Прилагане на най-добри практики за произход на данни и модели
  • Поддържане на управление и съответствие с AI-генериран код
  • Одит на AI решения и поддържане на проследимост

Оптимизиране на продуктивността и бъдещи приложения

  • Прилагане на стратегии за промптове за по-бърза итерация
  • Изследване на възможности за автоматизация в операциите с данни
  • Подготовка за бъдещи напредъци в интеграцията на Cursor и машинното обучение

Обобщение и следващи стъпки

Изисквания

  • Опит в анализа на данни с Python или машинното обучение
  • Разбиране на ETL и работни потоци за обучение на модели
  • Запознатост с контрол на версиите и инструменти за пайплайни с данни

Аудитория

  • Специалисти по данни, изграждащи и итериращи ML тетрадки
  • Инженери по машинно обучение, проектиращи пайплайни за обучение и изводи
  • MLOps професионалисти, управляващи внедряването и възпроизводимостта на модели
 14 Часа

Брой участници


Цена за участник

Предстоящи Курсове

Свързани Kатегории