Merci d'avoir envoyé votre demande ! Un membre de notre équipe vous contactera sous peu.
Merci d'avoir envoyé votre réservation ! Un membre de notre équipe vous contactera sous peu.
Plan du cours
Introduction à Cursor pour les workflows de données et ML
- Aperçu du rôle de Cursor dans l'ingénierie des données et du ML.
- Configuration de l'environnement et connexion des sources de données.
- Compréhension de l'assistance au code alimentée par l'IA dans les notebooks.
Accélération du développement de notebooks
- Création et gestion de notebooks Jupyter au sein de Cursor.
- Utilisation de l'IA pour la complétion du code, l'exploration des données et la visualisation.
- Documentation des expériences et maintien de la reproductibilité.
Construction de pipelines ETL et d'ingénierie des fonctionnalités
- Génération et refactoring de scripts ETL avec l'IA.
- Structuration des pipelines de fonctionnalités pour la scalabilité.
- Contrôle de version des composants de pipeline et des ensembles de données.
Entraînement et évaluation des modèles avec Cursor
- Squelettage du code d'entraînement des modèles et des boucles d'évaluation.
- Intégration du prétraitement des données et du réglage des hyperparamètres.
- Garantie de la reproductibilité des modèles entre les environnements.
Intégration de Cursor dans les pipelines MLOps
- Connexion de Cursor aux registres de modèles et aux workflows CI/CD.
- Utilisation de scripts assistés par l'IA pour la réentraînement et le déploiement automatisés.
- Surveillance du cycle de vie des modèles et suivi des versions.
Documentation et rapports assistés par l'IA
- Génération de documentation inline pour les pipelines de données.
- Création de résumés d'expériences et de rapports d'avancement.
- Amélioration de la collaboration d'équipe grâce à une documentation liée au contexte.
Reproductibilité et gouvernance dans les projets ML
- Mise en œuvre des bonnes pratiques pour la linéarité des données et des modèles.
- Maintien de la gouvernance et de la conformité avec le code généré par l'IA.
- Audit des décisions de l'IA et maintien de la traçabilité.
Optimisation de la productivité et applications futures
- Application de stratégies de prompts pour des itérations plus rapides.
- Exploration des opportunités d'automatisation dans les opérations de données.
- Préparation aux futures avancées en matière d'intégration Cursor et ML.
Résumé et prochaines étapes
Pré requis
- Expérience en analyse de données ou en apprentissage automatique basée sur Python.
- Compréhension des workflows ETL et de l'entraînement des modèles.
- Connaissance des outils de contrôle de version et de pipelines de données.
Public cible
- Data scientists construisant et itérant sur des notebooks ML.
- Ingénieurs en apprentissage automatique concevant des pipelines d'entraînement et d'inférence.
- Professionnels MLOps gérant le déploiement de modèles et leur reproductibilité.
14 Heures
