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
- Einrichten der Umgebung und Anbinden von Datenquellen
- Verständnis der KI-gestützten Codeunterstützung in Notebooks
Beschleunigung der Notebook-Entwicklung
- Erstellen und Verwalten von Jupyter-Notebooks in Cursor
- Einsatz von KI für Codevervollständigung, Datenexploration und Visualisierung
- Dokumentieren von Experimenten und Sicherstellen der Reproduzierbarkeit
Aufbau von ETL- und Feature-Engineering-Pipelines
- Generieren und Refaktorieren von ETL-Skripten mit KI
- Gestaltung skalierbarer Feature-Pipelines
- Versionskontrolle von Pipeline-Komponenten und Datensätzen
Model Training und Evaluierung mit Cursor
- Erstellen von Gerüsten für Model-Training-Code und Evaluierungsloops
- Integration von Daten-Vorverarbeitung und Hyperparameter-Tuning
- Sicherstellen der Reproduzierbarkeit von Modellen über Umgebungen hinweg
Integration von Cursor in MLOps-Pipelines
- Anbindung von Cursor an Model-Registrierungen und CI/CD-Workflows
- Verwendung KI-gestützter Skripte für automatisiertes Retraining und Deployment
- Überwachung des Model-Lebenszyklus und Versionstracking
KI-gestützte Dokumentation und Berichterstattung
- Generieren von Inline-Dokumentation für Data-Pipelines
- Erstellen von Experimenten-Zusammenfassungen und Fortschrittsberichten
- Verbesserung der Teamzusammenarbeit mit kontextbezogener Dokumentation
Reproduzierbarkeit und Governance in ML-Projekten
- Implementierung bewährter Praktiken für Daten- und Model-Herkunftslinien
- Wahrung von Governance und Compliance 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
- Untersuchung von Automatisierungsmöglichkeiten im Data Operations
- Vorbereitung auf künftige Fortschritte in 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-Workflows
- Vertrautheit mit Versionskontrolle und Data-Pipeline-Tools
Zielgruppe
- Wissenschaftler für Data Science, die ML-Notebooks erstellen und iterativ verbessern
- Machine-Learning-Engineers, die Training- und Inferenz-Pipelines gestalten
- MLOps-Professionals, die sich um Modellbereitstellung und Reproduzierbarkeit kümmern
14 Stunden
