Köszönjük, hogy elküldte érdeklődését! Csapatunk egyik tagja hamarosan felveszi Önnel a kapcsolatot.
Köszönjük, hogy elküldte foglalását! Csapatunk egyik tagja hamarosan felveszi Önnel a kapcsolatot.
Kurzusleírás
Bemutatkozás a Curzorral az adat- és ML-munkafolyamatokhoz
- A Cursor szerepének áttekintése az adat- és ML-mérnökségben
- A környezet beállítása és az adataforrások csatlakoztatása
- A MI-hajtott kódtámogatás megértése a notebookokban
A notebook-fejlesztés gyorsítása
- Jupyter notebookok létrehozása és kezelése a Cursorban
- MI használata a kódkiegészítéshez, az adatkutatáshoz és a vizualizáláshoz
- Kísérletek dokumentálása és a reprodukálhatóság fenntartása
ETL és feature engineering pipeline-ek építése
- ETL szkriptek generálása és refaktorálása MI segítségével
- Feature pipeline-ek szerkezetének kialakítása a skálázhatóság érdekében
- Pipeline-komponensek és adatkészletek verziókezelése
Modell-tanítás és -értékelés a Cursorral
- Modell-tanítási kód és értékelési ciklusok vázának (scaffolding) létrehozása
- Adat-előfeldolgozás és hyperparameter tuning integrálása
- A modell reprodukálhatóságának biztosítása különböző környezetekben
A Cursor integrálása az MLOps pipeline-ekbe
- A Cursor csatlakoztatása modellregiszterekhez és CI/CD munkafolyamatokhoz
- MI-asszisztált szkriptek használata az automatizált újratanításhoz és deployoláshoz
- Modell-életciklus figyelése és verziókövetés
MI-asszisztált dokumentáció és riportolás
- Inline dokumentáció generálása az adatpipeline-ekhez
- Kísérlet-összefoglalók és előfolyam-riportok létrehozása
- Csapategyetműködés javítása kontextus-hivatkozású dokumentációval
Reprodukálhatóság és kormányzás az ML-projekteken
- Legjobb gyakorlatok implementálása az adat- és modell-linázshoz (lineage)
- Kormányzás és compliance fenntartása MI-generált kód esetén
- MI-döntések auditálása és a nyomonkövethetőség biztosítása
Termelékenység optimalizálása és jövőbeli alkalmazások
- Prompt stratégiák alkalmazása a gyorsabb iterációhoz
- Automatizálási lehetőségek felderítése az adatműveletekben
- Előkészülés a Cursor és az ML integrációjának jövőbeli fejlesztéseire
Összegzés és következő lépések
Követelmények
- Tapasztalat Python-alapú adatelemzésben vagy gépi tanulásban
- Értelmezés az ETL és a modell-tanítási munkafolyamatokról
- Előzetes ismeretek a verziókezelés és az adatpipeline-eszközök terén
Célközönség
- Adattudósok, akik ML notebookokat építenek és iterálnak
- Gépi tanulási mérnökök, akik tanítási és inferenciálat nyújtó pipeline-eket terveznek
- MLOps szakemberek, akik kezelik a modell-megvalósítást és a reprodukálhatóságot
14 Órák
