Bedankt voor uw aanvraag! Een van onze medewerkers neemt binnenkort contact met u op
Bedankt voor uw boeking! Een van onze medewerkers neemt binnenkort contact met u op.
Cursusaanbod
Inleiding tot Cursor voor Data- en ML-werkstroomprocessen
- Overzicht van de rol van Cursor in data- en ML-engineering
- De omgeving instellen en data-sources verbinden
- Inzicht in AI-gebaseerde code-assistentie in notebooks
Notebook-ontwikkeling versnellen
- Jupyter-notebooks binnen Cursor maken en beheren
- AI gebruiken voor code-completie, data-exploratie en visualisatie
- Experimenten documenteren en reproduceerbaarheid handhaven
ETL- en feature engineering-pipelines bouwen
- ETL-scripts met AI genereren en refactoren
- Feature-pipelines structureren voor schaalbaarheid
- Pipeline-componenten en datasets versiebeheren
Modeltraining en evaluatie met Cursor
- Modeltraining-code en evaluatielussen scaffolden
- Data-preprocessing en hyperparameter tuning integreren
- Modelreproduceerbaarheid over omgevingen waarborgen
Cursor integreren in MLOps-pipelines
- Cursor verbinden met modelregistries en CI/CD-werkstroomprocessen
- AI-geassisteerde scripts gebruiken voor automatische hertraining en implementatie
- Model-levenscyclus bewaken en versievolg handhaven
AI-geassisteerde documentatie en rapportage
- Inline-documentatie voor data-pipelines genereren
- Experiment-samenvattingen en voortgangsrapporten maken
- Team-samenwerking verbeteren met context-gelinkte documentatie
Reproduceerbaarheid en governance in ML-projecten
- Best practices voor data- en model-lijn implementeren
- Governance en compliantie handhaven met AI-generatiecode
- AI-beslissingen controleren en traceerbaarheid handhaven
Productiviteit optimaliseren en toekomstige toepassingen
- Prompt-strategieën toepassen voor snellere iteratie
- Automatiseringskansen in data-operations verkennen
- Voorbereiden op toekomstige Cursor-en ML-integratieverbeteringen
Samenvatting en volgende stappen
Vereisten
- Ervaring met Python-gebaseerde data-analyse of machine learning
- Inzicht in ETL-en modeltraining-werkstroomprocessen
- Vertrouwdheid met versiebeheer en data-pipeline-tools
Publiek
- Datawetenschappers die ML-notebooks bouwen en itereren
- Machine learning-engineers die training- en inferentie-pipelines ontwerpen
- MLOps-professionals die modelimplementatie en reproduceerbaarheid beheren
14 Uren