Takk for at du sendte din henvendelse! En av våre teammedlemmer vil kontakte deg straks.
Takk for at du sendte din bestilling! En av våre teammedlemmer vil kontakte deg straks.
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