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
- Visión general del papel de Cursor en la ingeniería de datos y ML.
- Configuración del entorno y conexión a fuentes de datos.
- Comprensión de la asistencia con código impulsada por IA 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 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 del 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 MLOps
- Conexión de Cursor con registros de modelos y flujos de trabajo CI/CD.
- Uso de scripts asistidos por IA para reentrenamiento y despliegue automáticos.
- Seguimiento del ciclo de vida del modelo y control de versiones.
Documentación e informes asistidos por IA
- Generación de documentación inline para pipelines de datos.
- Creación de resúmenes de experimentos e informes de progreso.
- Mejora de la colaboración en equipo con documentación vinculada al contexto.
Reproducibilidad y gobernanza en proyectos de ML
- Implementación de mejores prácticas para el linaje 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 prompt para iteraciones más rápidas.
- Exploración de oportunidades de automatización en las operaciones de datos.
- Preparación para futuros avances en la integración entre Cursor y ML.
Resumen y próximos pasos
Requerimientos
- Experiencia con análisis de datos o aprendizaje automático basado en Python.
- Comprensión de los flujos de trabajo ETL y de entrenamiento de modelos.
- Familiaridad con el control de versiones y las herramientas de pipelines de datos.
Audiencia objetivo
- Científicos de datos que construyen e iteran sobre notebooks de ML.
- Ingenieros de aprendizaje automático que diseñan pipelines de entrenamiento e inferencia.
- Profesionales de MLOps responsables de la implementación de modelos y la reproducibilidad.
14 Horas
