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.
Schulungsübersicht
Einführung in Cursor für Daten- und Machine-Learning-Arbeiten
- Überblick über die Rolle von Cursor bei der Entwicklung von Data- und ML-Anwendungen
- Einrichtung der Umgebung sowie Verbindung mit Datenquellen
- Grundlagen zur KI-unterstützten Codehilfe in Notebooks
Beschleunigung der Notebook-Entwicklung
- Erstellung und Verwaltung von Jupyter-Notebooks innerhalb von Cursor
- Nutzung künstlicher Intelligenz zur Autovervollständigung, Datenanalyse sowie Visualisierung
- Dokumentation von Versuchen und Sicherstellung der Reproduzierbarkeit
Entwicklung von ETL- und Feature-Engineering-Pipelines
- Generierung sowie Umstrukturierung von ETL-Skripten mithilfe KI
- Aufbau skalierbarer Feature-Pipelines
- Versionsverwaltung der Pipeline-Komponenten sowie Datensätze
Modelltraining und -evaluation mit Cursor
- Erstellung von Grundgerüsten für das Trainieren und Bewerten von Modellen
- Einbindung von Datenaufbereitung sowie Hyperparameter-Optimierung
- Gewährleistung der Reproduzierbarkeit der Modelle über verschiedene Umgebungen hinweg
Integration von Cursor in MLOps-Prozesse
- Verknüpfung mit Modellregistrierungssystemen sowie CI/CD-Workflows
- KI-unterstützte Skripte zur automatisierten Neu-Trainierung und Bereitstellung von Modellen
- Überwachung des Lebenszyklus sowie Nachverfolgung der Modellversionen
KI-gestützte Dokumentation und Berichterstattung
- Erstellung von inline-Dokumentation für Datenpipelines
- Erstellung von Zusammenfassungen der durchgeführten Experimente sowie Fortschrittsberichten
- Verbesserung der Teamzusammenarbeit durch kontextbezogene, zusammenhängende Dokumentation
Reproduzierbarkeit und Governance in Machine-Learning-Projekten
- Umsetzung bewährter Praktiken zur Verfolgung von Daten- sowie Modellhistorie
- Sicherstellung von Governance und Compliance durch KI-generierten Code
- Prüfung künstlicher Intelligenz-Entscheidungen sowie Aufbau von Nachvollziehbarkeit
Produktivitätssteigerung und zukünftige Einsatzmöglichkeiten
- Anwendung geeigneter Prompt-Strategien für schnellere Arbeitsabläufe
- Erschließung von Automatisierungspotenzialen innerhalb der Datenverarbeitung
- Vorbereitung auf kommende Entwicklungen bei Cursor sowie neue Schnittstellen zu Machine-Learning-Systemen
Zusammenfassung und nächste Schritte
Voraussetzungen
- Erfahrung mit der Analyse von Daten oder Machine-Learning-Anwendungen in Python
- Grundverständnis für ETL-Prozesse sowie Abläufe beim Trainieren von Modellen
- Vertrautheit mit Versionskontrolle und Werkzeugen zur Verwaltung von Datenpipelines
Zielgruppe
- Data Scientists, die Machine-Learning-Notebooks entwickeln und weiterentwickeln
- Machine-Learning-Ingenieure, die Training- sowie Inferenz-Pipelines planen
- MLOps-Spezialisten, die für den Bereitstellung und Wartung von Modellen verantwortlich sind
14 Stunden