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 de Cursor pour les flux de travail en données et en IA
- Vue d'ensemble du rôle de Cursor dans le génie des données et de l'IA
- Configuration de l'environnement et connexion aux sources de données
- Comprendre l'assistance au code propulsée par l'IA dans les notebooks
Accélération du développement de notebooks
- Création et gestion de notebooks Jupyter dans Cursor
- Utilisation de l'IA pour l'achèvement du code, l'exploration de données et la visualisation
- Documentation des expériences et maintien de la reproductibilité
Construction de pipelines ETL et de génie de caractéristiques
- Génération et refactorisation de scripts ETL avec l'IA
- Structuration de pipelines de caractéristiques pour la scalabilité
- Contrôle de version des composants de pipeline et des jeux de données
Entraînement et évaluation des modèles avec Cursor
- Création de squelettes de code d'entraînement de modèles et de boucles d'évaluation
- Intégration du prétraitement des données et du réglage des hyperparamètres
- Garantir la reproductibilité des modèles dans divers environnements
Intégration de Cursor dans les pipelines MLOps
- Connexion de Cursor aux registres de modèles et aux flux de travail CI/CD
- Utilisation de scripts assistés par IA pour la réentraînement et le déploiement automatisés
- Suivi du cycle de vie des modèles et de la gestion des versions
Documentation et rapports assistés par l'IA
- Génération de documentation intégrée pour les pipelines de données
- Création de résumés d'expériences et de rapports de progression
- Amélioration de la collaboration d'équipe grâce à une documentation liée au contexte
Reproductibilité et gouvernance dans les projets IA
- Mise en œuvre de meilleures pratiques pour la généalogie 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 une itération plus rapide
- Exploration des possibilités d'automatisation dans les opérations de données
- Préparation aux évolutions futures de l'intégration entre Cursor et l'IA
Résumé et prochaines étapes
Pré requis
- Expérience en analyse de données ou en apprentissage automatique basée sur Python
- Compréhension des flux de travail ETL et d'entraînement des modèles
- Connaissance des outils de contrôle de version et de pipelines de données
Public cible
- Scientifiques des données qui construisent et itèrent sur des notebooks IA
- Ingénieurs en apprentissage automatique concevant des pipelines d'entraînement et d'inférence
- Professionnels MLOps gérant le déploiement des modèles et la reproductibilité
14 Heures
