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-Arbeitsabläufe
- Überblick über die Rolle von Cursor in der Data- und ML-Ingenieurwissenschaft
- Einrichtung der Umgebung und Verbindung von Datenquellen
- Verständnis der KI-gestützten Codeunterstützung in Notebooks
Beschleunigung der Notebook-Entwicklung
- Erstellen und Verwalten von Jupyter-Notebooks innerhalb von Cursor
- Einsatz 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 ELT-Skripten mit KI
- Strukturierung von Feature-Pipelines für Skalierbarkeit
- Versionskontrolle von Pipeline-Komponenten und Datensätzen
Model-Training und -Bewertung mit Cursor
- Scaffolding von Model-Training-Code und Evaluations-Schleifen
- Integration von Datenvorverarbeitung und Hyperparameter-Tuning
- Sicherstellung der Modell-Reproduzierbarkeit über verschiedene Umgebungen hinweg
Integration von Cursor in MLOps-Pipelines
- Verbindung von Cursor mit Model-Registries und CI/CD-Arbeitsabläufen
- Einsatz von KI-unterstützten Skripten für automatisches Retraining und Deployment
- Überwachung des Modell-Lebenszyklus und Versionsverfolgung
KI-unterstützte Dokumentation und Berichterstellung
- Generierung von Inline-Dokumentation für Data-Pipelines
- Erstellung von Experiment-Zusammenfassungen und Fortschrittsberichten
- Verbesserung der Team-Kollaboration durch kontextverknüpfte Dokumentation
Reproduzierbarkeit und Governance in ML-Projekten
- Implementierung von Best Practices für Data- und Model-Lineage
- Einhaltung von Governance- und Compliance-Anforderungen bei KI-generiertem Code
- Prüfung von KI-Entscheidungen und Sicherstellung der Nachvollziehbarkeit
Optimierung der Produktivität und zukünftige Anwendungen
- Anwendung von Prompt-Strategien für schnellere Iteration
- Erkundung von Automatisierungsmöglichkeiten im Data Operations Bereich
- Vorbereitung auf zukünftige Entwicklungen bei der Integration von Cursor und ML
Zusammenfassung und nächste Schritte
Voraussetzungen
- Erfahrung mit Python-basierter Datenanalyse oder Machine Learning
- Verständnis von ETL- und Model-Training-Arbeitsabläufen
- Vertrautheit mit Versionskontrollsystemen und Data-Pipeline-Tools
Zielgruppe
- Data Scientists, die ML-Notebooks erstellen und iterativ verbessern
- Machine-Learning-Ingenieure, die Trainings- und Inference-Pipelines entwerfen
- MLOps-Professionals, die das Modell-Deployment und die Reproduzierbarkeit verwalten
14 Stunden
