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
- Perspectiva del rol de Cursor en la ingeniería de datos y ML.
- Configuración del entorno y conexión de fuentes de datos.
- Comprensión de la asistencia de código impulsada por IA en notebooks.
Aceleración del Desarrollo de Notebooks
- Creación y gestión de notebooks Jupyter dentro de Cursor.
- Uso de IA para la 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 de ETL con IA.
- Estructuración de pipelines de características para la escalabilidad.
- Control de versiones de componentes de pipelines y conjuntos de datos.
Entrenamiento y Evaluación de Modelos con Cursor
- Estructuración del código de entrenamiento de modelos y ciclos de evaluación.
- Integración del preprocesamiento de datos y el ajuste de hiperparámetros.
- Garantía de la reproducibilidad del modelo en distintos entornos.
Integración de Cursor en Pipelines de MLOps
- Conexión de Cursor con registros de modelos y flujos de trabajo de CI/CD.
- Uso de scripts asistidos por IA para el reentrenamiento y despliegue automatizados.
- Monitoreo del ciclo de vida del modelo y seguimiento de versiones.
Documentación e Informes Asistidos por IA
- Generación de documentación en línea 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 la linaje de datos y modelos.
- Mantenimiento de la gobernanza y el cumplimiento con el 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 una iteración más rápida.
- Exploración de oportunidades de automatización en operaciones de datos.
- Preparación para futuras innovaciones en la integración de Cursor y ML.
Resumen y Próximos Pasos
Requerimientos
- Experiencia en análisis de datos o aprendizaje automático basado en Python.
- Comprensión de los flujos de trabajo de ETL y entrenamiento de modelos.
- Familiaridad con herramientas de control de versiones y pipelines de datos.
Audiencia
- Científicos de datos que construyen y iteran en notebooks de ML.
- Ingenieros de aprendizaje automático que diseñan pipelines de entrenamiento e inferencia.
- Profesionales de MLOps que gestionan la implementación de modelos y la reproducibilidad.
14 Horas
