Děkujeme za vaši dotaz! Jeden z našich pracovníků vás brzy kontaktuje.
Děkujeme za rezervaci! Jeden z našich pracovníků vás brzy kontaktuje.
Návrh Školení
Úvod do využití Cursora při práci s daty a strojovým učením
- Přehled role Cursora ve vývoji řešení pro zpracování dat a ML
- Nastavení prostředí a propojení se zdroji dat
- Seznámení s pomocí umělé inteligence při práci s kódem v notebookech
Urychlení tvorby notebooků
- Vytváření a správa Jupyter notebooků v rámci Cursora
- Využívání umělé inteligence k dokončování kódu, průzkumu dat a vizualizaci
- Dokumentace experimentů a zajištění jejich opakovatelnosti
Tvorba ETL pipelines a procesů vytváření feature setů
- Generování a přepracovávání skriptů ETL s pomocí umělé inteligence
- Navrhování struktur pro vytváření feature setů tak, aby byly škálovatelné
- Správa verzí jednotlivých komponent pipelines i datových souborů
Trénování a hodnocení modelů s využitím Cursora
- Vytváření základní struktury kódu pro trénování modelů i cyklu jejich vyhodnocování
- Integrace předzpracování dat a ladění parametrů modelu
- Zajištění shody výsledků trénování mezi různými prostředími
Začlenění Cursora do MLOps pipelines
- Propojení Cursora s registry modelů a postupy CI/CD
- Využívání skriptů vytvořených pomocí AI k automatizaci retrénování a nasazení modelů
- Sledování životního cyklu modelů a jejich verzování
Dokumentace a tvorba zpráv s podporou umělé inteligence
- Automatická tvorba dokumentace k jednotlivým částem datových pipelines
- Vytváření shrnutí experimentů a hlášek o postupu práce
- Zlepšení spolupráce v týmu díky dokumentaci propojené s kontextem projektu
Opakovatelnost a řízení rizik v projektech strojového učení
- Uplatňování osvědčených postupů pro sledování historie dat a modelů
- Dodržování požadavků na řízení kvality a legislativní předpisy i v případě využití AI-generovaného kódu
- Audit rozhodnutí generovaných umělou inteligencí a udržování plné sledovatelnosti akcí
Optimalizace produktivity a budoucí možnosti využití Cursora
- Využívání strategií zadávání pokynů k rychlejší iteraci práce
- Identifikace příležitostí pro automatizaci v procesech spojených s daty
- Příprava na budoucí pokroky ve spolupráci Cursora a technologií strojového učení
Shrnutí kurzu a další kroky
Požadavky
- Zkušenosti s analýzou dat nebo strojovým učením pomocí jazyka Python
- Přehled o procesech ETL a trénování modelů
- Seznámenost s nástroji na správu verzí kódu a datových pipelines
Cílové skupiny
- Datoví vědci, kteří tvoří a zdokonalují notebooky určené pro strojové učení
- Inženýři strojového učení, zodpovědní za návrhy pipelines na trénování a využití modelů
- Odborníci z oblasti MLOps spravující nasazování modelů a jejich opakovatelnost
14 Hodiny
