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.
Duração 14 horas (2 dias)
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
- Configuração do ambiente e conexão de fontes de dados
- Compreensão da assistência de código alimentada por IA em notebooks
Aceleração do Desenvolvimento de Notebooks
- Criação e gerenciamento de notebooks Jupyter dentro do Cursor
- Uso de IA para autocompletamento de código, exploração de dados e visualização
- Documentação de experimentos e manutenção da reprodutibilidade
Construção de Pipelines de ETL e Engenharia de Recursos
- Geração e refatoração de scripts de ETL com IA
- Estruturação de pipelines de recursos para escalabilidade
- Controle de versão de componentes de pipeline e conjuntos de dados
Treinamento e Avaliação de Modelos com Cursor
- Estruturação (scaffolding) de código de treinamento de modelos e loops de avaliação
- Integração de pré-processamento de dados e ajuste de hiperparâmetros
- Garantia da reprodutibilidade dos modelos entre ambientes
Integração do Cursor em Pipelines de MLOps
- Conexão do Cursor a registros de modelos e fluxos de CI/CD
- Uso de scripts assistidos por IA para retreinamento e implantação automatizados
- Monitoramento do ciclo de vida do modelo e rastreamento de versões
Documentação e Relatórios Assistidos por IA
- Geração de documentação em linha (inline) para pipelines de dados
- Criação de resumos de experimentos e relatórios de progresso
- Melhoria da colaboração em equipe com documentação vinculada ao contexto
Reprodutibilidade e Governança em Projetos de ML
- Implementação de melhores práticas para linhagem (lineage) de dados e modelos
- Manutenção da governança e conformidade com código gerado por IA
- Auditoria de decisões de IA e manutenção da rastreabilidade
Otimização da Produtividade e Aplicações Futuras
- Aplicação de estratégias de prompt para iteração mais rápida
- Exploração de oportunidades de automação nas operações de dados
- Preparação para avanços futuros na integração do Cursor e do ML
Resumo e Próximos Passos
Requisitos
- Experiência em análise de dados ou aprendizado de máquina com base em Python
- Compreensão dos fluxos de trabalho de ETL e treinamento de modelos
- Familiaridade com controle de versão e ferramentas de pipelines de dados
Público-Alvo
- Cientistas de dados que constroem e iteram em notebooks de ML
- Engenheiros de aprendizado de máquina que projetam pipelines de treinamento e inferência
- Profissionais de MLOps que gerenciam a implantação de modelos e a reprodutibilidade
