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 cuadernos
Aceleración del desarrollo de cuadernos
- Creación y gestión de cuadernos Jupyter dentro de Cursor
- Uso de IA para autocompletar código, explorar datos y visualizar resultados
- 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 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 esqueletos para código de entrenamiento de modelos y bucles de evaluación
- Integración de preprocesamiento de datos y ajuste de hiperparámetros
- Garantía de la reproducibilidad del modelo en diferentes entornos
Integración de Cursor en pipelines de MLOps
- Conexión de Cursor con registros de modelos y flujos de trabajo CI/CD
- Uso de scripts asistidos por IA para el reacondicionamiento automático e implementación
- Monitoreo del ciclo de vida del modelo y seguimiento de versiones
Documentación y reporte asistidos por IA
- Generación de documentación en línea para pipelines de datos
- Creación de resúmenes de experimentos e informes de progreso
- Mejora de la colaboración del equipo con documentación enlazada por contexto
Reproducibilidad y gobernanza en proyectos de ML
- Implementación de mejores prácticas para la 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 una iteración más rápida
- Exploración de oportunidades de automatización en operaciones de datos
- Preparación para futuras mejoras en la integración de Cursor y ML
Resumen y siguientes pasos
Requerimientos
- Experiencia con análisis de datos o aprendizaje automático basado en Python.
- Comprensión de flujos de trabajo de ETL y entrenamiento de modelos.
- Conocimiento de herramientas de control de versiones y de pipelines de datos.
Público Objetivo
- Científicos de datos que construyen e iteran en cuadernos de ML.
- Ingenieros de aprendizaje automático que diseñan pipelines de entrenamiento e inferencia.
- Profesionales de MLOps que gestionan la implementación de modelos y la reproducibilidad.
14 Horas
