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

Teilnehmerzahl


Preis je Teilnehmer (exkl. USt)

Kommende Kurse

Verwandte Kategorien