Gracias por enviar su consulta! Uno de los miembros de nuestro equipo se pondrá en contacto con usted en breve.
Gracias por enviar su reserva! Uno de los miembros de nuestro equipo se pondrá en contacto con usted en breve.
Temario del curso
Introducción a Cursor para flujos de trabajo de datos y ML
- Visión general del papel de Cursor en la ingeniería de datos y ML.
- Configuración del entorno y conexión de fuentes de datos.
- Comprensión de la asistencia de código impulsada por IA en notebooks.
Aceleración del desarrollo de notebooks
- Creación y gestión de notebooks de Jupyter dentro de Cursor.
- Uso de IA para completar código, explorar datos y visualizarlos.
- Documentación de experimentos y mantenimiento de la reproducibilidad.
Construcción de pipelines de ETL e ingeniería de características
- Generación y refactorización de scripts de ETL con ayuda de IA.
- Estructuración de pipelines de características para escalabilidad.
- Control de versiones de componentes de pipelines y conjuntos de datos.
Entrenamiento y evaluación de modelos con Cursor
- Creación de código base para entrenamiento de modelos y bucles de evaluación.
- Integración de preprocesamiento de datos y ajuste de hiperparámetros.
- Garantía de reproducibilidad de modelos en diferentes entornos.
Integración de Cursor en pipelines de MLOps
- Conexión de Cursor a registros de modelos y flujos de trabajo de CI/CD.
- Uso de scripts asistidos por IA para el reentrenamiento e implementación automatizados.
- Monitoreo del ciclo de vida del modelo y seguimiento de versiones.
Documentación y reportes asistidos por IA
- Generación de documentación inline para pipelines de datos.
- Creación de resúmenes de experimentos e informes de progreso.
- Mejora de la colaboración en equipo mediante documentación vinculada al contexto.
Reproducibilidad y gobernanza en proyectos de ML
- Implementación de mejores prácticas para el linaje de datos y modelos.
- Mantenimiento de la gobernanza y el cumplimiento con código generado por IA.
- Auditoría de decisiones de IA y mantenimiento de la trazabilidad.
Optimización de la productividad y aplicaciones futuras
- Aplicación de estrategias de prompts para iteraciones más rápidas.
- Exploración de oportunidades de automatización en operaciones de datos.
- Preparación para futuros avances en la integración de Cursor y ML.
Resumen y próximos pasos
Requerimientos
- Experiencia en análisis de datos o aprendizaje automático basado en Python.
- Comprensión de los flujos de trabajo de ETL y entrenamiento de modelos.
- Familiaridad con herramientas de control de versiones y pipelines de datos.
Público Objetivo
- Científicos de datos que crean y optimizan notebooks de ML.
- Ingenieros de aprendizaje automático que diseñan pipelines de entrenamiento e inferencia.
- Profesionales de MLOps encargados de la implementación y reproducibilidad de modelos.
14 Horas
