Vielen Dank für die Zusendung Ihrer Anfrage! Eines unserer Teammitglieder wird Sie in Kürze kontaktieren.
Vielen Dank, dass Sie Ihre Buchung abgeschickt haben! Eines unserer Teammitglieder wird Sie in Kürze kontaktieren.
Schulungsübersicht
Einführung in Cursor für Daten- und ML-Arbeitsabläufe
- Überblick über Cursors Rolle in Daten- und ML-Engineering
- Einrichten der Umgebung und Verbinden von Datenquellen
- Verstehen von AI-gestützter Codeassistance in Notebooks
Beschleunigung der Notebook-Entwicklung
- Erstellen und Verwalten von Jupyter-Notebooks innerhalb von Cursor
- Nutzung von AI für Codevorschläge, Datenexploration und Visualisierung
- Dokumentation von Experimenten und Aufrechterhaltung der Reproduzierbarkeit
Erstellung von ETL- und Feature-Engineering-Pipelines
- Generieren und Refaktorisieren von ETL-Skripten mit AI
- Strukturieren von Feature-Pipelines für Skalierbarkeit
- Versionskontrolle von Pipeline-Komponenten und Datensätzen
Modelltraining und -evaluierung mit Cursor
- Erstellen von Modelltraining-Code und Evaluierungsschleifen
- Integration von Datenvorverarbeitung und Hyperparameter-Tuning
- Sicherstellung der Modellreproduzierbarkeit über verschiedene Umgebungen hinweg
Integration von Cursor in MLOps-Pipelines
- Verbinden von Cursor mit Modellregistern und CI/CD-Arbeitsabläufen
- Nutzen von AI-gestützten Skripten für automatisiertes Retraining und Bereitstellung
- Überwachen des Modelllebenszyklus und Versionsverfolgung
AI-gestützte Dokumentation und Berichterstattung
- Generieren von Inline-Dokumentation für Datenpipelines
- Erstellen von Experimentzusammenfassungen und Fortschrittsberichten
- Verbessern der Teamkooperation durch kontextverknüpfte Dokumentation
Reproduzierbarkeit und Governance in ML-Projekten
- Implementieren von Best Practices für Daten- und Modellverfolgung
- Aufrechterhaltung von Governance und Compliance durch AI-generierten Code
- Überprüfen von AI-Entscheidungen und Sicherstellung der Nachvollziehbarkeit
Optimierung der Produktivität und zukünftige Anwendungen
- Anwenden von Prompt-Strategien für eine schnellere Iteration
- Erkunden von Automatisierungsmöglichkeiten in Datenoperationen
- Vorbereitung auf zukünftige Cursor- und ML-Integrationsschritte
Zusammenfassung und Nächste Schritte
Voraussetzungen
- Erfahrung mit Python-basierten Datenanalysen oder Machine Learning
- Verständnis von ETL- und Modelltrainings-Arbeitsabläufen
- Kenntnisse in Versionskontrolle und Datenpipeline-Tools
Zielgruppe
- Data Scientists, die ML-Notebooks erstellen und iterieren
- Machine-Learning-Ingenieure, die Trainings- und Inferenzpipelines entwerfen
- MLOps-Professionals, die Modellbereitstellung und Reproduzierbarkeit verwalten
14 Stunden