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
- Vision general del papel de Cursor en la ingeniería de datos y ML
- Configuración del entorno y conexión de fuentes de datos
- Comprensión de la asistencia de código impulsada por IA en notebooks
Aceleración del desarrollo de notebooks
- Creación y gestión de notebooks de Jupyter dentro de Cursor
- Uso de 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 de pipeline y conjuntos de datos
Entrenamiento y evaluación de modelos con Cursor
- Creación de la estructura de código de entrenamiento y bucles de evaluación
- Integración de preprocesamiento de datos y ajuste de hiperparámetros
- Garantía de la reproducibilidad del modelo entre entornos
Integración de Cursor en pipelines de MLOps
- Conexión de Cursor a 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 por contexto
Reproducibilidad y gobernanza en proyectos de ML
- Implementación de mejores prácticas para la líneaja de datos y modelos
- Mantenimiento de la gobernanza y el cumplimiento con código generado por IA
- Auditoría de decisiones de IA y mantenimiento de la trazabilidad
Optimización de la productividad y aplicaciones futuras
- Aplicación de estrategias de indicaciones (prompts) para iteraciones más rápidas
- Exploración de oportunidades de automatización en operaciones de datos
- Preparación para avances futuros en la integración de Cursor y ML
Resumen y próximos pasos
Requerimientos
- Experiencia en análisis de datos o aprendizaje automático basado 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 y inferencia
- Profesionales de MLOps que gestionan la implementación de modelos y la reproducibilidad
14 Horas
