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.
Durée 14 heures
Plan du cours
Introduction à Cursor pour les workflows de données et de ML
- Présentation du rôle de Cursor dans le génie des données et du ML
- Configuration de l'environnement et connexion aux sources de données
- Comprendre l'assistance au code propulsée 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 l'achèvement du code, l'exploration de données et la visualisation
- Documentation des expériences et maintien de la reproductibilité
Construction de pipelines ETL et de génie de caractéristiques
- Génération et refactorisation de scripts ETL avec l'IA
- Structuration des pipelines de caractéristiques pour l'évolutivité
- Contrôle de version des composants de pipeline et des jeux de données
Entraînement et évaluation des modèles avec Cursor
- Génération 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 dans différents 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 l'entraînement automatique et le déploiement
- Surveillance du cycle de vie des modèles et suivi des versions
Documentation et reporting assistés par l'IA
- Génération de documentation en ligne 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 des projets ML
- Mise en œuvre de bonnes pratiques pour la lignée des données et des modèles
- Maintien de la gouvernance et de la conformité avec du 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 avancées futures de l'intégration entre Cursor et le ML
Synthèse 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
- Familiarité avec le contrôle de version et les outils de pipelines de données
Public cible
- Scientifiques des données construisant et itérant sur des notebooks ML
- Ingénieurs en apprentissage automatique concevant des pipelines d'entraînement et d'inférence
- Professionnels du MLOps gérant le déploiement des modèles et leur reproductibilité
