Gracias por enviar su consulta! Uno de los miembros de nuestro equipo se pondrá en contacto con usted en breve.
Gracias por enviar su reserva! Uno de los miembros de nuestro equipo se pondrá en contacto con usted en breve.
Temario del curso
Introducción a Cursor para flujos de trabajo de datos y ML
- Panorama general del papel de Cursor en la ingeniería de datos y ML.
- Configuración del entorno y conexión con fuentes de datos.
- Comprensión de la asistencia inteligente para la codificación en notebooks.
Aceleración del desarrollo de notebooks
- Creación y gestión de notebooks Jupyter dentro de Cursor.
- Uso de la IA para autocompletado de código, exploración de datos y visualización.
- Documentación de experimentos y mantenimiento de la reproducibilidad.
Construcción de pipelines de ETL e ingeniería de características
- Generación y refactorización de scripts de ETL con IA.
- Estructuración de pipelines de características para escalabilidad.
- Control de versiones de componentes del pipeline y conjuntos de datos.
Entrenamiento y evaluación de modelos con Cursor
- Creación de la estructura base (scaffolding) para el código de entrenamiento de modelos y bucles de evaluación.
- Integración del preprocesamiento de datos y ajuste de hiperparámetros.
- Garantía de reproducibilidad del modelo en distintos entornos.
Integración de Cursor en pipelines de MLOps
- Conexión de Cursor con registros de modelos y flujos de trabajo CI/CD.
- Uso de scripts asistidos por IA para el reentrenamiento y despliegue automatizados.
- Monitoreo del ciclo de vida del modelo y seguimiento de versiones.
Documentación e informes asistidos por IA
- Generación de documentación en línea para pipelines de datos.
- Creación de resúmenes de experimentos e informes de progreso.
- Mejora de la colaboración del equipo mediante documentación vinculada al contexto.
Reproducibilidad y gobernanza en proyectos de ML
- Implementación de mejores prácticas para el linaje (procedencia) de datos y modelos.
- Mantenimiento de la gobernanza y el cumplimiento normativo con el código generado por IA.
- Auditoría de las decisiones de IA y mantenimiento de la trazabilidad.
Optimización de la productividad y aplicaciones futuras
- Aplicación de estrategias de instrucciones (prompts) para una iteración más rápida.
- Exploración de oportunidades de automatización en las operaciones de datos.
- Preparación para avances futuros en la integración entre Cursor y ML.
Resumen y próximos pasos
Requerimientos
- Experiencia con análisis de datos o aprendizaje automático basados en Python.
- Comprensión de los flujos de trabajo de ETL y entrenamiento de modelos.
- Familiaridad con el control de versiones y las herramientas de pipelines de datos.
Público objetivo
- Científicos de datos que construyen e iteran en notebooks de ML.
- Ingenieros de aprendizaje automático que diseñan pipelines de entrenamiento e inferencia.
- Profesionales de MLOps que gestionan el despliegue de modelos y la reproducibilidad.
14 Horas
