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 die Rolle von Cursor im Data- und ML-Engineering
- Einrichten der Umgebung und Anbindung von Datenquellen
- Verständnis der KI-gestützten Codeunterstützung in Notebooks
Beschleunigung der Notebook-Entwicklung
- Erstellen und Verwalten von Jupyter-Notebooks innerhalb von Cursor
- Nutzung der KI für Codevervollständigung, Datenerkundung und Visualisierung
- Dokumentation von Experimenten und Sicherstellung der Reproduzierbarkeit
Aufbau von ETL- und Feature-Engineering-Pipelines
- Generieren und Refactoren von ELT-Skripten mit KI
- Strukturieren von Feature-Pipelines für Skalierbarkeit
- Versionskontrolle von Pipeline-Komponenten und Datensätzen
Modelltraining und -bewertung mit Cursor
- Erstellen von Grundgerüsten für Modelltrainingscode und Bewertungs-Schleifen
- Integration von Datenvorverarbeitung und Hyperparameter-Optimierung
- Sicherstellung der Modellreproduzierbarkeit über verschiedene Umgebungen hinweg
Integration von Cursor in MLOps-Pipelines
- Anbindung von Cursor an Model Registries und CI/CD-Arbeitsabläufe
- Nutzung von KI-unterstützten Skripten für automatisiertes Retraining und Bereitstellung
- Überwachung des Modelllebenszyklus und Versionsverfolgung
KI-unterstützte Dokumentation und Berichterstattung
- Generieren von Inline-Dokumentation für Daten-Pipelines
- Erstellen von Zusammenfassungen der Experimente und Fortschrittsberichte
- Verbesserung der Team-Kollaboration durch kontextbezogene Dokumentation
Reproduzierbarkeit und Governance in ML-Projekten
- Umsetzung von Best Practices für Daten- und Modell-Linienführung
- Wahrung der Governance und Compliance bei KI-generiertem Code
- Überprüfung von KI-Entscheidungen und Sicherstellung der Nachverfolgbarkeit
Optimierung der Produktivität und zukünftige Anwendungen
- Anwenden von Prompt-Strategien für schnellere Iterationen
- Erkunden von Automatisierungsmöglichkeiten in den Datenoperationen
- Vorbereitung auf zukünftige Weiterentwicklungen der Cursor- und ML-Integration
Zusammenfassung und weitere Schritte
Voraussetzungen
- Erfahrung mit Python-basierter Datenanalyse oder Machine Learning
- Verständnis von ETL- und Modelltrainings-Arbeitsabläufen
- Vertrautheit mit Versionskontrolle und Daten-Pipeline-Tools
Zielgruppe
- Data Scientists, die ML-Notebooks erstellen und iterativ verbessern
- Machine-Learning-Ingenieure, die Trainings- und Inferenzpipelines entwerfen
- MLOps-Professionals, die für die Modellbereitstellung und Reproduzierbarkeit verantwortlich sind
14 Stunden