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 a fuentes de datos.
- Comprensión de la asistencia para código basada en IA en notebooks.
Aceleración del desarrollo de notebooks
- Creación y gestión de notebooks Jupyter dentro de Cursor.
- Uso de IA para autocompletado de código, exploración de datos y visualización.
- Documentación de experimentos y mantenimiento de la reproducibilidad.
Construcción de pipelines de ETL e ingeniería de características
- Generación y refactorización de scripts ETL con IA.
- Estructuración de pipelines de características para escalabilidad.
- Control de versiones de componentes del 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 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 y despliegue automatizados.
- Monitoreo del ciclo de vida del modelo y seguimiento de versiones.
Documentación y reportes asistidos por IA
- Generación de documentación integrada para pipelines de datos.
- Creación de resúmenes de experimentos e informes de progreso.
- Mejora de la colaboración del 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 iterar más rápido.
- Exploración de oportunidades de automatización en operaciones de datos.
- Preparación para avances futuros en la integración de Cursor y ML.
Resumen y próximos pasos
Requerimientos
- Experiencia con análisis de datos o aprendizaje automático basados en Python.
- Comprensión de los flujos de trabajo de ETL y entrenamiento de modelos.
- Conocimiento de herramientas de control de versiones y pipelines de datos.
Público objetivo
- Científicos de datos que construyen e iteran notebooks de ML.
- Ingenieros de aprendizaje automático que diseñan pipelines de entrenamiento e inferencia.
- Profesionales de MLOps que gestionan el despliegue de modelos y la reproducibilidad.
14 Horas
