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 la finalización de código, exploración de datos y visualización
- Documentación de experimentos y mantenimiento de reproducibilidad
Construcción de Pipelines de ETL y 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 pipeline y conjuntos de datos
Entrenamiento y Evaluación de Modelos con Cursor
- Estructuración del código de entrenamiento de modelos y bucles de evaluación
- Integración de preprocesamiento de datos y ajuste de hiperparámetros
- Garantía de reproducibilidad del modelo en diferentes entornos
Integración de Cursor en Pipelines MLOps
- Conexión de Cursor a registros de modelos y flujos de trabajo CI/CD
- Uso de scripts asistidos por IA para el entrenamiento automático y la implementación
- Monitoreo del ciclo de vida del modelo y seguimiento de versiones
Documentación Asistida por IA y Reportes
- Generación de documentación en línea para pipelines de datos
- Creación de resúmenes de experimentos y informes de progreso
- Mejora de la colaboración del equipo con documentación vinculada al contexto
Reproducibilidad y Gobierno en Proyectos de ML
- Implementación de mejores prácticas para el linaje de datos y modelos
- Mantenimiento del gobierno y cumplimiento con código generado por IA
- Auditoría de decisiones de IA y mantenimiento de 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 de integración de Cursor y ML
Resumen y Pasos Siguientes
Requerimientos
- Experiencia con análisis de datos basado en Python o aprendizaje automático
- Comprensión de flujos de trabajo de ETL y entrenamiento de modelos
- Familiaridad con control de versiones y herramientas de pipeline de datos
Audiencia
- Científicos de datos que construyen e iteran sobre cuadernos de ML
- Ingenieros de aprendizaje automático que diseñan pipelines de entrenamiento y inferencia
- Profesionales MLOps que gestionan la implementación y reproducibilidad de modelos
14 Horas
