Entwicklung & Technik · Data Science & Machine Learning
KI-Schulungen für Data Scientists und ML-Engineers
Data Science und Machine Learning leben vom schnellen Wechsel zwischen Exploration, Modellierung und Produktivsetzung. Viel Zeit fließt dabei in Datenaufbereitung mit pandas oder Polars, Feature Engineering, Visualisierung, Hyperparameter-Experimente und schließlich das Überführen von Notebook-Code in wartbare Pipelines. KI-Coding-Assistenten und Agenten beschleunigen jeden dieser Schritte: Sie schreiben Explorations- und Plotting-Code, schlagen Validierungsstrategien vor, refaktorisieren Notebooks in getestete Python-Module, bauen scikit-learn- oder PyTorch-Trainingsskripte und richten Experiment-Tracking mit MLflow ein. Entscheidend ist dabei methodische Sorgfalt, denn plausibel wirkender Code kann Data Leakage oder falsche Metriken enthalten. Im Kurs lernen Sie, KI produktiv einzusetzen und die statistische Qualität Ihrer Ergebnisse abzusichern.
Für wen ist das Training?
- Data Scientists in Fachbereichen und Analytics-Teams
- ML-Engineers mit Verantwortung für Training und Deployment
- Data Analysts, die in Python und Machine Learning einsteigen
- Forschende und Entwickler:innen mit Notebook-lastigen Workflows
- MLOps-Teams, die Modelle in Produktion betreiben
Typische Herausforderungen, die wir adressieren
- Unübersichtliche Notebooks, die sich schwer reproduzieren und produktiv setzen lassen
- Zeitaufwändige Datenaufbereitung und Feature Engineering
- Methodische Fehler wie Data Leakage, ungeeignete Metriken oder fehlerhafte Validierung
- Fehlende Nachvollziehbarkeit von Experimenten, Modellen und Datenständen
Praxisszenarien aus Ihrem Bereich
Explorative Datenanalyse
Der Assistent erstellt Code für Datenprofile, Verteilungen, Korrelationen und fehlende Werte mit pandas oder Polars, erzeugt aussagekräftige Visualisierungen und fasst Auffälligkeiten als Hypothesen für die Modellierung zusammen.
Notebooks in Pipelines überführen
Der Agent refaktorisiert Notebook-Code in Python-Module mit Funktionen, Konfiguration und pytest-Tests, entfernt versteckte Zustände und macht Training und Inferenz reproduzierbar ausführbar. Ergebnisse lassen sich so verlässlich vergleichen.
Modelltraining und Validierung
Die KI baut scikit-learn-Pipelines oder PyTorch-Trainingsschleifen mit sauberer Kreuzvalidierung, passenden Metriken und Baselines und weist aktiv auf Risiken wie Data Leakage oder Klassenungleichgewicht hin. Ergebnisse werden stets gegen Baselines verglichen.
Experiment-Tracking und MLOps
Der Assistent richtet MLflow oder vergleichbare Werkzeuge für Parameter, Metriken und Artefakte ein, versioniert Modelle und erstellt Trainings- und Deployment-Workflows für die CI/CD-Pipeline. Experimente bleiben jederzeit nachvollziehbar.
Modelle erklären und prüfen
Mit SHAP, Permutation Importance oder Partial Dependence Plots entstehen Erklärungen für Modellentscheidungen sowie Auswertungen zu Fairness und Robustheit über relevante Untergruppen hinweg. Fachbereiche erhalten verständliche Erläuterungen.
LLM- und RAG-Prototypen evaluieren
Die KI hilft beim Aufbau von Evaluationsdatensätzen, automatisierten Bewertungsmetriken und Vergleichsexperimenten für Prompt-Varianten, Embedding-Modelle oder Retrieval-Strategien. So lassen sich Qualität, Kosten und Latenz verschiedener Varianten objektiv gegenüberstellen und dokumentieren.
Mögliche Praxisprojekte im Kurs
Churn-Prognose mit Erklärungen
Ein vollständiges Projekt von der Datenaufbereitung über ein Gradient-Boosting-Modell bis zu einer kleinen Streamlit-App, die Prognosen und SHAP-Erklärungen anzeigt. Ideal, um den gesamten ML-Workflow mit KI zu üben.
Modell-Monitoring-Skript
Ein Skript, das Daten- und Vorhersageverteilungen über die Zeit vergleicht, Drift erkennt und einen kompakten Bericht mit Grafiken erzeugt. Bei Auffälligkeiten wird automatisch das Team benachrichtigt.
Evaluations-Harness für einen RAG-Chatbot
Ein Testaufbau mit Fragensammlung, Referenzantworten und automatischer Bewertung, der verschiedene Retrieval- und Prompt-Konfigurationen vergleicht. Die Ergebnisse werden pro Konfiguration in einer übersichtlichen Tabelle mit Kennzahlen zusammengefasst.
Alle 12 Kurse für Data Scientists und ML-Engineers
Vibe & Agentic Coding (12)
- Claude Code für Data Scientists und ML-Engineers
- Vibe Coding für Data Scientists und ML-Engineers
- Agentic Coding für Data Scientists und ML-Engineers
- Cursor für Data Scientists und ML-Engineers
- GitHub Copilot für Data Scientists und ML-Engineers
- OpenAI Codex für Data Scientists und ML-Engineers
- Windsurf für Data Scientists und ML-Engineers
- Lovable für Data Scientists und ML-Engineers
- Replit Agent für Data Scientists und ML-Engineers
- Model Context Protocol (MCP) für Data Scientists und ML-Engineers
- KI-Agenten-Entwicklung für Data Scientists und ML-Engineers
- RAG & LLM-Apps für Data Scientists und ML-Engineers
Datenschutz & Compliance
Trainings- und Analysedaten enthalten häufig personenbezogene Informationen: Arbeiten Sie in Prompts mit Schemas, Aggregaten oder synthetischen Daten und beachten Sie DSGVO-Grundsätze wie Zweckbindung. Für Hochrisiko-Anwendungen stellt der EU AI Act Anforderungen an Datenqualität, Dokumentation und Transparenz; zudem sind Lizenzen von Datensätzen, vortrainierten Modellen und Python-Paketen zu prüfen.
Voraussetzungen
Gute Python-Kenntnisse, Erfahrung mit pandas oder Polars und scikit-learn sowie Grundlagen in Statistik und Machine Learning.
Häufige Fragen
Kann ich der KI bei statistischen Fragen vertrauen?
KI-Assistenten kennen gängige Verfahren sehr gut, machen aber gelegentlich methodische Fehler, etwa bei der Aufteilung von Trainings- und Testdaten oder der Wahl von Metriken. Im Kurs lernen Sie, die KI gezielt nach Annahmen und Risiken zu fragen, Ergebnisse mit Baselines und Sanity Checks zu prüfen und die fachliche Verantwortung bewusst bei sich zu behalten.
Funktioniert KI-gestütztes Coding auch in Jupyter-Notebooks?
Ja. Viele Assistenten unterstützen Notebooks direkt, Agenten können Notebooks zudem lesen, ausführen und in Module überführen. Wir zeigen, wann Notebooks für Exploration ideal sind und wie Sie den Übergang zu versioniertem, getestetem Code mit KI-Unterstützung effizient gestalten. Beides ergänzt sich sinnvoll.
Unverbindlich anfragen
Wir melden uns innerhalb eines Werktags mit Terminbestätigung oder Alternativvorschlag.