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 rol de Cursor en la ingeniería de datos y ML.
- Configuración del entorno y conexión con fuentes de datos.
- Comprensión de la asistencia por 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 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 datasets.
Entrenamiento y evaluación de modelos con Cursor
- Esqueletado de código de entrenamiento de modelos y bucles de evaluación.
- Integración de preprocesamiento de datos y ajuste de hiperparámetros.
- Garantía de reproducibilidad del modelo entre entornos.
Integración de Cursor en pipelines MLOps
- Conexión de Cursor con registros de modelos y flujos CI/CD.
- Uso de scripts asistidos por IA para reentrenamiento y despliegue automatizado.
- Monitoreo del ciclo de vida del modelo y seguimiento de versiones.
Documentación e informes asistidos por IA
- Generación de documentación inline para pipelines de datos.
- Creación de resúmenes de experimentos e informes de progreso.
- Mejora de la colaboración en equipo con documentación vinculada al contexto.
Reproducibilidad y gobernanza en proyectos de ML
- Implementación de mejores prácticas para linaje de datos y modelos.
- Mantenimiento de gobernanza y 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 iteraciones más rápidas.
- Exploración de oportunidades de automatización en operaciones de datos.
- Preparación para futuros avances en la integración de Cursor y ML.
Resumen y próximos pasos
Requerimientos
- Experiencia con análisis de datos o aprendizaje automático basado en Python.
- Conocimiento de flujos de trabajo ETL y entrenamiento de modelos.
- Familiaridad con control de versiones y herramientas de pipelines de datos.
Público objetivo
- Científicos de datos que construyen e iteran en notebooks de ML.
- Ingenieros de aprendizaje automático que diseñan pipelines de entrenamiento e inferencia.
- Profesionales de MLOps que gestionan el despliegue y la reproducibilidad de modelos.
14 Horas
