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 de fuentes de datos
- Comprensión de la asistencia de 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 datasets
Entrenamiento y evaluación de modelos con Cursor
- Creación de estructura para código de entrenamiento de modelos e iteraciones 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 con registros de modelos y flujos CI/CD
- Uso de scripts asistidos por IA para entrenamiento automático y despliegue continuo
- Monitoreo del ciclo de vida del modelo y seguimiento de versiones
Documentación e informes 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 con 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 iteraciones más rápidas
- Exploración de oportunidades de automatización en operaciones de datos
- Preparación para futuros avances en la integración entre Cursor y ML
Resumen y próximos pasos
Requerimientos
- Experiencia con análisis de datos o aprendizaje automático basados en Python
- Conocimiento de los flujos de trabajo de 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 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
