Obrigado por enviar sua consulta! Um dos membros da nossa equipe entrará em contato com você em breve.
Obrigado por enviar sua reserva! Um dos membros da nossa equipe entrará em contato com você em breve.
Programa do Curso
Introdução ao Cursor para Fluxos de Trabalho de Dados e ML
- Visão geral do papel do Cursor na engenharia de dados e ML
- Configurando o ambiente e conectando fontes de dados
- Compreendendo a assistência de código alimentada por IA em notebooks
Acelerando o Desenvolvimento de Notebooks
- Criando e gerenciando notebooks Jupyter dentro do Cursor
- Usando IA para autocompletar código, explorar dados e visualizar informações
- Documentando experimentos e mantendo reprodutibilidade
Construindo Pipelines de ETL e Engenharia de Características
- Gerando e refatorando scripts de ETL com IA
- Estruturando pipelines de características para escalabilidade
- Controle de versão de componentes de pipeline e conjuntos de dados
Treinamento e Avaliação de Modelos com Cursor
- Estruturando código de treinamento de modelos e loops de avaliação
- Integrando pré-processamento de dados e ajuste de hiperparâmetros
- Garantindo a reprodutibilidade do modelo em diferentes ambientes
Integrando o Cursor em Pipelines MLOps
- Conectando o Cursor a registros de modelos e fluxos de trabalho CI/CD
- Usando scripts assistidos por IA para treinamento automático e implantação
- Monitorando o ciclo de vida do modelo e rastreamento de versões
Documentação e Relatórios Assistidos por IA
- Gerando documentação inline para pipelines de dados
- Criando resumos de experimentos e relatórios de progresso
- Melhorando a colaboração da equipe com documentação contextualmente vinculada
Reprodutibilidade e Governança em Projetos de ML
- Implementando melhores práticas para linhagem de dados e modelos
- Mantendo governança e conformidade com código gerado por IA
- Auditoria de decisões de IA e manutenção da rastreabilidade
Otimizando Produtividade e Aplicações Futuras
- Aplicando estratégias de prompt para iterações mais rápidas
- Explorando oportunidades de automação em operações de dados
- Preparando-se para avanços futuros na integração do Cursor e ML
Resumo e Próximos Passos
Requisitos
- Experiência com análise de dados ou aprendizado de máquina baseada em Python
- Compreensão dos fluxos de trabalho de ETL e treinamento de modelos
- Familiaridade com controle de versão e ferramentas de pipeline de dados
Público-Alvo
- Cientistas de dados construindo e iterando em notebooks de ML
- Engenheiros de aprendizado de máquina projetando pipelines de treinamento e inferência
- Profissionais MLOps gerenciando a implantação e reprodutibilidade de modelos
14 Horas
