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 workflows 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 notebooks
Accélération du développement de notebooks
- Création et gestion des notebooks Jupyter au sein de Cursor
- Utilisation de l'IA pour la complétion de code, l'exploration de données et la visualisation
- Documentation des expériences et maintien de la reproductibilité
Construction de pipelines ETL et d'ingénierie des fonctionnalités
- Génération et refacturation de scripts ETL avec l'IA
- Structuration de pipelines de fonctionnalités pour la scalabilité
- Contrôle de version des composants de pipeline et des jeux de données
Formation et évaluation de modèles avec Cursor
- Échafaudage du code de formation de modèle et des boucles d'évaluation
- Intégration du prétraitement de données et du réglage des hyperparamètres
- Assurance de la reproductibilité des modèles dans différents 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 formation automatique et le déploiement
- Suivi du cycle de vie des modèles et traçabilité des versions
Documentation et rapports assistés par IA
- Génération de documentation inline pour les pipelines de données
- Création de résumés d'expériences et de rapports de progression
- Amélioration de la collaboration de l'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 IA
- Audit des décisions d'IA et maintien de la traçabilité
Optimisation de la productivité et applications futures
- Application de stratégies de prompt pour une itération plus rapide
- Exploration des opportunités d'automatisation dans les opérations de données
- Préparation aux avancées futures de Cursor et d'intégration d'apprentissage automatique
Résumé et prochaines étapes
Pré requis
- Expérience avec l'analyse de données ou l'apprentissage automatique basé sur Python
- Compréhension des flux de travail ETL et de formation de modèles
- Connaissance des outils de contrôle de version et de pipelines de données
Public cible
- Data scientists construisant et itérant sur des notebooks d'apprentissage automatique
- Ingénieurs en apprentissage automatique concevant des pipelines de formation et d'inférence
- Professionnels MLOps gérant le déploiement et la reproductibilité des modèles
14 Heures
