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 Data- und ML-Workflows
- Überblick über die Rolle von Cursor im Data- und ML-Engineering
- Einrichtung der Umgebung und Verbindung von Datenquellen
- Verständnis der KI-gestützten Codehilfe in Notebooks
Beschleunigung der Notebook-Entwicklung
- Erstellung und Verwaltung von Jupyter-Notebooks innerhalb von Cursor
- Nutzung von KI für Code-Vervollständigung, Datenerkundung und Visualisierung
- Dokumentation von Experimenten und Sicherstellung der Reproduzierbarkeit
Aufbau von ETL- und Feature-Engineering-Pipelines
- Generierung und Refaktorierung von ETL-Skripten mit KI
- Strukturierung von Feature-Pipelines für Skalierbarkeit
- Versionskontrolle von Pipeline-Komponenten und Datensätzen
Modelltraining und -evaluation mit Cursor
- Erstellung von Gerüsten (Scaffolding) für Code zum Modelltraining und Evaluationsschleifen
- Integration von Datenvorverarbeitung und Hyperparameter-Tuning
- Sicherstellung der Reproduzierbarkeit von Modellen über verschiedene Umgebungen hinweg
Integration von Cursor in MLOps-Pipelines
- Verbindung von Cursor mit Modellregistern und CI/CD-Workflows
- Nutzung von KI-gestützten Skripten für automatisiertes Retraining und Deployment
- Überwachung des Modelllebenszyklus und Verfolgung der Versionen
KI-gestützte Dokumentation und Berichterstattung
- Generierung von Inline-Dokumentation für Datenpipelines
- Erstellung von Experimentenzusammenfassungen und Fortschrittsberichten
- Verbesserung der Teamzusammenarbeit durch kontextverknüpfte Dokumentation
Reproduzierbarkeit und Governance in ML-Projekten
- Umsetzung bester Praktiken für Daten- und Modell-Linie (Lineage)
- Wahrung von Governance und Compliance bei KI-generiertem Code
- Audit von KI-Entscheidungen und Sicherstellung der Rückverfolgbarkeit
Optimierung der Produktivität und zukünftige Anwendungen
- Anwendung von Prompt-Strategien für schnellere Iteration
- Erforschung von Automatisierungsmöglichkeiten im Data Operations
- Vorbereitung auf zukünftige Weiterentwicklungen bei der Integration von Cursor und ML
Zusammenfassung und nächste Schritte
Voraussetzungen
- Erfahrung mit Python-basierter Datenanalyse oder Machine Learning
- Verständnis von ETL- und Modelltraining-Workflows
- Vertrautheit mit Versionskontrolle und Datenpipeline-Tools
Zielgruppe
- Data Scientists, die ML-Notebooks erstellen und iterativ verbessern
- Machine Learning Engineers, die Training- und Inferenz-Pipelines entwickeln
- MLOps-Professionals, die sich um Modelldeployment und Reproduzierbarkeit kümmern
14 Stunden
