Kontakt aufnehmen

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

Teilnehmerzahl


Preis je Teilnehmer (exkl. USt)

Kommende Kurse

Verwandte Kategorien