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
- Configuração do ambiente e conexão com fontes de dados
- Compreensão da assistência à codificação baseada em IA em notebooks
Acelerando o Desenvolvimento de Notebooks
- Criação e gerenciamento de notebooks Jupyter dentro do Cursor
- Uso de IA para conclusão de código, exploração de dados e visualização
- Documentação de experimentos e manutenção da reprodutibilidade
Construindo 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 do pipeline e conjuntos de dados
Treinamento e Avaliação de Modelos com Cursor
- Esqueletização do código de treinamento de modelos e laços de avaliação
- Integração de pré-processamento de dados e ajuste de hiperparâmetros
- Garantia da reprodutibilidade do modelo entre ambientes
Integrando o Cursor em Pipelines de MLOps
- Conexão do Cursor a registros de modelos e fluxos de trabalho 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 integrada para pipelines de dados
- Criação de resumos de experimentos e relatórios de progresso
- Melhoria da colaboração da equipe com documentação vinculada ao contexto
Reprodutibilidade e Governança em Projetos de ML
- Implementação de melhores práticas para linhagem de dados e modelos
- Manutenção da governança e conformidade com código gerado por IA
- Auditoria das 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 entre Cursor e ML
Resumo e Próximos Passos
Requisitos
- Experiência com análise de dados baseada em Python ou aprendizado de máquina
- 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 que constroem e iteram em notebooks de ML
- Engenheiros de aprendizado de máquina projetando pipelines de treinamento e inferência
- Profissionais de MLOps gerenciando a implantação de modelos e reprodutibilidade
14 Horas
