Vielen Dank für die Zusendung Ihrer Anfrage! Eines unserer Teammitglieder wird Sie in Kürze kontaktieren.
Vielen Dank, dass Sie Ihre Buchung abgeschickt haben! Eines unserer Teammitglieder wird Sie in Kürze kontaktieren.
Dauer 14 Stunden (2 Tage)
Schulungsübersicht
Einführung in Cursor für Data- und ML-Workflows
- Überblick über die Rolle von Cursor im Data- und ML-Engineering
- Einrichten der Umgebung und Anbindung von Datenquellen
- Verständnis der KI-gestützten Codeassistenz in Notebooks
Beschleunigung der Notebook-Entwicklung
- Erstellung und Verwaltung von Jupyter-Notebooks in Cursor
- Nutzung von KI für Codevollständigkeitsprüfung, Datenexploration und Visualisierung
- Dokumentation von Experimenten und Sicherstellung der Reproduzierbarkeit
Aufbau von ETL- und Feature-Engineering-Pipelines
- Generierung und Refactoring von ETL-Skripten mit KI
- Strukturierung von Feature-Pipelines für Skalierbarkeit
- Versionskontrolle von Pipeline-Komponenten und Datensätzen
Modelltraining und -evaluation mit Cursor
- Scaffolding von Modelltrainingscode und Evaluierungsschleifen
- Integration von Datenvorverarbeitung und Hyperparameter-Optimierung
- Sicherstellung der Modellreproduzierbarkeit über Umgebungen hinweg
Integration von Cursor in MLOps-Pipelines
- Verbindung von Cursor mit Modellregistern und CI/CD-Workflows
- Einsatz von KI-gestützten Skripten für automatisiertes Retraining und Deployment
- Überwachung des Modell-Lebenszyklus und Versionsverfolgung
KI-gestützte Dokumentation und Berichterstattung
- Generierung von Inline-Dokumentationen für Datenpipelines
- Erstellung von Experimentenzusammenfassungen und Fortschrittsberichten
- Verbesserung der Teamzusammenarbeit durch kontextbezogene Dokumentation
Reproduzierbarkeit und Governance in ML-Projekten
- Umsetzung bewährter Praktiken für Daten- und Modellherkunftslinien (Lineage)
- Wahrung von Governance und Compliance bei KI-generiertem Code
- Auditierung von KI-Entscheidungen und Sicherstellung der Nachverfolgbarkeit
Optimierung der Produktivität und zukünftige Anwendungen
- Anwendung von Prompt-Strategien für schnellere Iterationen
- Untersuchung von Automatisierungsmöglichkeiten im Data Operations-Bereich
- Vorbereitung auf zukünftige Weiterentwicklungen bei der Integration von Cursor und ML
Zusammenfassung und nächste Schritte
Voraussetzungen
- Erfahrung in der datenbasierten Analyse mit Python oder im Machine Learning
- Verständnis von ETL- und Modelltrainings-Workflows
- Kenntnisse in Versionskontrolle und Data-Pipeline-Tools
Zielgruppe
- Data Scientists, die ML-Notebooks erstellen und weiterentwickeln
- Machine-Learning-Ingenieure, die Trainings- und Inferenz-Pipelines entwerfen
- MLOps-Fachkräfte, die sich um den Deployment-Prozess und die Reproduzierbarkeit von Modellen kümmern
