Merci d'avoir envoyé votre demande ! Un membre de notre équipe vous contactera sous peu.
Merci d'avoir envoyé votre réservation ! Un membre de notre équipe vous contactera sous peu.
Plan du cours
Introduction à Cursor pour les flux de travail de données et d'apprentissage automatique
- Aperçu du rôle de Cursor dans l'ingénierie des données et de l'apprentissage automatique
- Configuration de l'environnement et connexion aux sources de données
- Compréhension de l'assistance au code alimentée par l'IA dans les blocs-notes
Accélération du développement de blocs-notes
- Création et gestion de blocs-notes Jupyter dans Cursor
- Utilisation de l'IA pour la complétion de code, l'exploration des données et la visualisation
- Documentation des expériences et maintien de la reproductibilité
Construction de pipelines ETL et d'ingénierie des fonctionnalités
- Génération et refactorisation des scripts ETL avec l'IA
- Structuration des pipelines de fonctionnalités pour l'évolutivité
- Contrôle de version des composants de pipeline et des ensembles de données
Entraînement et évaluation des modèles avec Cursor
- Ébauche du code d'entraînement des modèles et des boucles d'évaluation
- Intégration du prétraitement des données et du réglage des hyperparamètres
- Garantie de la reproductibilité des modèles entre les environnements
Intégration de Cursor dans les pipelines MLOps
- Connexion de Cursor aux registres de modèles et aux flux CI/CD
- Utilisation de scripts assistés par l'IA pour le réentraînement et le déploiement automatisés
- Surveillance du cycle de vie des modèles et suivi des versions
Documentation et rapports assistés par l'IA
- Génération d'une documentation intégrée pour les pipelines de données
- Création de résumés d'expériences et de rapports d'avancement
- Amélioration de la collaboration en équipe avec une documentation liée au contexte
Reproductibilité et gouvernance dans les projets d'apprentissage automatique
- Mise en œuvre des meilleures pratiques pour la lignée des données et des modèles
- Maintien de la gouvernance et de la conformité avec le code généré par l'IA
- Audit des décisions de l'IA et maintien de la traçabilité
Optimisation de la productivité et applications futures
- Application de stratégies de prompts pour des itérations plus rapides
- Exploration des opportunités d'automatisation dans les opérations de données
- Préparation aux avancées futures d'intégration de Cursor et de l'apprentissage automatique
Résumé et prochaines étapes
Pré requis
- Expérience en analyse de données ou en apprentissage automatique avec Python
- Compréhension des flux de travail ETL et d'entraînement des modèles
- Familiarité avec le contrôle de version et les outils de pipelines de données
Audience cible
- Scientifiques des données créant et itérant sur des blocs-notes d'apprentissage automatique
- Ingénieurs en apprentissage automatique concevant des pipelines d'entraînement et d'inférence
- Professionnels MLOps gérant le déploiement des modèles et la reproductibilité
14 Heures
