Terima kasih telah mengirimkan pertanyaan Anda! Salah satu anggota tim kami akan segera menghubungi Anda.
Terima kasih telah mengirimkan pemesanan Anda! Salah satu anggota tim kami akan segera menghubungi Anda.
Kerangka Materi
Perkenalan Cursor untuk Alur Kerja Data dan ML
- Ikhtisar peran Cursor dalam rekayasa data dan ML
- Menyiapkan lingkungan dan menghubungkan sumber data
- Memahami bantuan kode berbasis AI di notebooks
Mempercepat Pengembangan Notebook
- Membuat dan mengelola notebook Jupyter dalam Cursor
- Menggunakan AI untuk pelengkapan kode, eksplorasi data, dan visualisasi
- Mendokumentasikan eksperimen dan mempertahankan reproduktibilitas
Membangun Pipeline ETL dan Rekayasa Fitur
- Membuat dan merefaktor skrip ETL dengan AI
- Mengstrukturkan pipeline fitur untuk skalabilitas
- Mengendalikan versi komponen pipeline dan dataset
Training dan Evaluasi Model dengan Cursor
- Membangun kerangka kode pelatihan model dan loop evaluasi
- Integrasi pra-pemrosesan data dan penyesuaian hiperparameter
- Mastikan reproduktibilitas model di berbagai lingkungan
Integrasi Cursor ke Pipeline MLOps
- Hubungkan Cursor ke registry model dan alur kerja CI/CD
- Menggunakan skrip bantuan AI untuk pelatihan ulang dan penerapan otomatis
- Memantau siklus hidup model dan pelacakan versi
Dokumentasi dan Pelaporan Bantuan AI
- Membuat dokumentasi inline untuk pipeline data
- Membuat ringkasan eksperimen dan laporan kemajuan
- Meningkatkan kolaborasi tim dengan dokumentasi terkait konteks
Reproduktibilitas dan Tata Kelola dalam Proyek ML
- Menerapkan praktik terbaik untuk silsilah data dan model
- Mempertahankan tata kelola dan kepatuhan dengan kode yang dihasilkan AI
- Audit keputusan AI dan mempertahankan keterlacakan
Optimasi Produktivitas dan Aplikasi Masa Depan
- Menerapkan strategi prompt untuk iterasi yang lebih cepat
- Mengajahi peluang otomasi dalam operasi data
- Menyiapkan diri untuk kemajuan integrasi Cursor dan ML di masa depan
Ringkasan dan Langkah Selanjutnya
Persyaratan
- Pengalaman dengan analisis data berbasis Python atau pembelajaran mesin
- Pemahaman alur kerja ETL dan pelatihan model
- Kenalan dengan kontrol versi dan alat pipeline data
Audience
- Ilmu data yang membangun dan beriterasi notebook ML
- Insinyur pembelajaran mesin yang merancang pipeline pelatihan dan inferensi
- Profesional MLOps yang mengelola penerapan model dan reproduktibilitas
14 Jam
