Kursplan

Introduksjon til Cursor for Data- og ML-arbeidsganger

  • Oversikt over Cursors rolle i data- og ML-utvikling
  • Oppsett av miljøet og kobling til datasørker
  • Forståelse av AI-drevet kodeassistanse i notebooks

Akselerering av Notebook-utvikling

  • Opprettelse og administrasjon av Jupyter-notebooks innenfor Cursor
  • Bruk av AI for kodefullføring, datautforsking og visualisering
  • Dokumentering av eksperimenter og vedlikehold av gjentagbarhet

Bygging av ETL- og Feateering-pipeliner

  • Generering og refaktorering av ETL-skript med AI
  • Strukturering av feateer-pipeliner for skalerbarhet
  • Versjonskontroll av pipelinedele og datasett

Modelltrening og -evaluering med Cursor

  • Skaffolding av modelltreningkode og evaluasjonsløkker
  • Integrering av datapreprosessering og hyperparameter-justering
  • Sikring av modellgjentagbarhet over miljøer

Integrering av Cursor i MLOps-pipeliner

  • Kobling av Cursor til modellregister og CI/CD-arbeidsganger
  • Bruk av AI-assisterte skript for automatisert om-trening og deployering
  • Overvåking av modelllifesyklus og versjonssporing

AI-assistert dokumentasjon og rapportering

  • Generering av inline-dokumentasjon for datapipeliner
  • Opprettelse av eksperimenteressammanfattelser og fremdriftsrapporter
  • Forbedring av teamets samarbeid med kontekstbasert dokumentasjon

Gjentagbarhet og styring i ML-prosjekter

  • Implementering av beste praksis for data- og modell-linje
  • Vedlikehold av styring og regulering med AI-generert kode
  • Auditing av AI-avgjørelser og vedlikehold av sporebarhet

Optimalisering av produktivitet og fremtidige anvendelser

  • Anvendelse av prompt-strategier for raskere iterasjon
  • Utforskning av automatiseringsmuligheter i dataoperasjoner
  • Forberedelse for fremtidige Cursor- og ML-integrasjonsforbedringer

Oppsummering og neste skritt

Krav

  • Erfaring med Python-basert dataanalyse eller maskinlæring
  • Forståelse for ETL- og modelltreningsarbeidsganger
  • Kjennskap til versjonskontroll og data-pipelinerverktøy

Målgruppe

  • Data-scientists som bygger og itererer på ML-notebooks
  • Maskinlæringsingeniører som designer trenings- og inferens-pipeliner
  • MLOps-professionals som administrerer modelldeploying og gjentagbarhet
 14 Timer

Antall deltakere


Pris per deltaker

Kommende kurs

Relaterte kategorier