Kerangka Materi

Pengenalan Cursor untuk Alur Kerja Data dan ML

  • Gambaran peran Cursor dalam data engineering dan ML
  • Menyiapkan lingkungan dan menghubungkan sumber data
  • Memahami bantuan kode berdaya AI dalam notebook

Mempercepat Pengembangan Notebook

  • Membuat dan mengelola Jupyter notebooks dalam Cursor
  • Menggunakan AI untuk melengkapi kode, eksplorasi data, dan visualisasi
  • Mendokumentasikan eksperimen dan mempertahankan reproduktibilitas

Membangun Pipa ETL dan Feature Engineering

  • Membangkitkan dan refactor skrip ETL dengan AI
  • Menstrukturkan pipa fitur untuk skalabilitas
  • Mengontrol versi komponen pipa dan dataset

Pelatihan dan Evaluasi Model dengan Cursor

  • Menyediakan kode pelatihan model dan loop evaluasi
  • Mengintegrasikan preprocessing data dan tuning hyperparameter
  • Memastikan reproduktibilitas model di berbagai lingkungan

Mengintegrasikan Cursor ke dalam Pipa MLOps

  • Menghubungkan Cursor ke registri model dan alur kerja CI/CD
  • Menggunakan skrip berbantuan AI untuk retraining otomatis dan penyebaran
  • Memantau siklus hidup model dan pelacakan versi

Dokumentasi Berbantuan AI dan Pelaporan

  • Membangkitkan dokumentasi inline untuk pipa data
  • Menciptakan ringkasan eksperimen dan laporan kemajuan
  • Memperbaiki kolaborasi tim dengan dokumentasi yang terkait konteks

Reproduktibilitas dan Tata Kelola dalam Proyek ML

  • Mengimplementasikan praktik terbaik untuk garis keturunan data dan model
  • Memelihara tata kelola dan kepatuhan dengan kode berdaya AI
  • Mengaudit keputusan AI dan mempertahankan keterlacakan

Optimalisasi Produktivitas dan Aplikasi Masa Depan

  • Mengaplikasikan strategi prompt untuk iterasi lebih cepat
  • Menjelajahi peluang otomatisasi dalam operasi data
  • Bersiap untuk peningkatan integrasi Cursor dan ML di masa depan

Ringkasan dan Langkah Berikutnya

Persyaratan

  • Pengalaman dengan analisis data berbasis Python atau pembelajaran mesin
  • Pemahaman tentang alur kerja ETL dan pelatihan model
  • Kenalan dengan kontrol versi dan alat pipa data

Audience

  • Ilmuwan data yang membangun dan mengiterasi ML notebooks
  • Insinyur pembelajaran mesin yang merancang pipa pelatihan dan inferensi
  • Profesional MLOps yang mengelola penyebaran model dan reproduktibilitas
 14 Jam

Jumlah Peserta


Biaya per Peserta

Kursus Mendatang

Kategori Terkait