Kontakt aufnehmen

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

Teilnehmerzahl


Preis je Teilnehmer (exkl. USt)

Kommende Kurse

Verwandte Kategorien