Schulung · Agentic Coding · Data Science & Machine Learning

Agentic Coding für Data Scientists und ML-Engineers

Autonome Coding-Agenten wirksam einsetzen: Spezifikation statt Prompt, Aufgabenzerlegung, testgetriebene Loops, Multi-Agent-Setups und Governance.

Dauer
2 Tage (14 Std.)
Format
Online oder vor Ort
Sprache
Deutsch oder Englisch
Teilnehmende
offene Termine oder exklusiv für Ihr Team
Abschluss
Teilnahmebescheinigung

Überblick

„Agentic Coding für Data Scientists und ML-Engineers“ ist ein praxisorientiertes Training für Rollen wie Data Scientists in Fachbereichen und Analytics-Teams, ML-Engineers mit Verantwortung für Training und Deployment und Data Analysts, die in Python und Machine Learning einsteigen. Sie lernen Agentic Coding nicht abstrakt, sondern an Aufgaben aus Ihrem Arbeitsalltag kennen – mit Beispielen, Übungen und Vorlagen aus dem Bereich Data Science & Machine Learning.

Agentic Coding bezeichnet die Arbeit mit KI-Agenten, die Entwicklungsaufgaben weitgehend selbstständig erledigen: Sie lesen Code, planen Änderungen, führen Befehle und Tests aus und korrigieren sich anhand der Ergebnisse. Werkzeuge wie Claude Code, OpenAI Codex, der GitHub Copilot Coding Agent oder der Agent-Modus von Cursor machen diese Arbeitsweise alltagstauglich. Dieses herstellerneutrale Training vermittelt die Methodik dahinter, damit Sie unabhängig vom Werkzeug verlässliche Ergebnisse erzielen und die Rolle der Entwicklerin oder des Entwicklers neu definieren.

Im Zentrum steht der Wechsel vom spontanen Prompt zur belastbaren Spezifikation. Sie lernen, Aufgaben so zu zerlegen und zu beschreiben, dass Agenten sie zuverlässig lösen, testgetriebene Schleifen aufzusetzen, in denen Tests als objektives Abnahmekriterium dienen, und mehrere Agenten parallel oder arbeitsteilig einzusetzen. Darüber hinaus behandeln wir Review-Strategien für agentisch erzeugten Code sowie Governance im Team: Berechtigungen, Sicherheitsgrenzen, Verantwortlichkeiten, Kostenkontrolle und die schrittweise Einführung agentischer Workflows in bestehende Entwicklungsprozesse.

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.

Das Training findet live statt – wahlweise online im virtuellen Klassenraum oder vor Ort in unseren Trainingsräumen in München, Salzburg, Berlin, Augsburg, Hannover, Bremen, Stuttgart und Kaiserslautern. Auf Wunsch kommen wir auch exklusiv für Ihr Team zusammen.

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

Das können Sie nach dem Training

  • Sie verstehen die Funktionsweise von Coding-Agenten und wählen das passende Werkzeug und den passenden Autonomiegrad.
  • Sie schreiben Spezifikationen und Projektkontext, mit denen Agenten verlässlich arbeiten.
  • Sie zerlegen Vorhaben in überprüfbare Teilaufgaben und steuern Agenten über testgetriebene Loops.
  • Sie setzen Multi-Agent-Setups und parallele Arbeit kontrolliert ein.
  • Sie beschleunigen Exploration, Feature Engineering und Modellierung mit KI-Assistenten, ohne methodische Sorgfalt aufzugeben.
  • Sie überführen Notebook-Code mit KI-Agenten in getestete, reproduzierbare ML-Pipelines.
  • Sie erkennen typische Fehler in generiertem ML-Code wie Data Leakage oder ungeeignete Metriken und korrigieren sie gezielt.

Inhalte & Ablauf

Tag 1

Modul 1 Grundlagen agentischer Entwicklung
  • Funktionsweise von Coding-Agenten: Werkzeugaufrufe, Kontextfenster und Feedback-Schleifen
  • Werkzeuge im Vergleich: Terminal-Agenten, IDE-Agenten und Cloud-Agenten
  • Geeignete Aufgaben erkennen und Autonomiegrade bewusst wählen
  • Die neue Rolle im Team: von der Umsetzung zur Steuerung und Abnahme
Modul 2 Spezifikation statt Prompt
  • Aufgaben mit Ziel, Kontext, Randbedingungen und Abnahmekriterien beschreiben
  • Projektkontext dauerhaft in Dateien wie CLAUDE.md, AGENTS.md oder Rules hinterlegen
  • Plan-First-Vorgehen: Lösungsweg vom Agenten entwerfen und vor der Umsetzung prüfen
  • Spezifikationen versionieren und als Teil des Repositorys pflegen
Modul 3 Aufgabenzerlegung und testgetriebene Agenten-Loops
  • Große Vorhaben in unabhängige, überprüfbare Teilaufgaben zerlegen
  • Tests zuerst schreiben lassen und als objektives Abbruchkriterium nutzen
  • Linter, Typprüfungen und Builds als automatische Rückmeldung einsetzen
  • Festgefahrene Loops erkennen und mit neuer Strategie neu starten
Modul 4 Multi-Agent-Setups und Parallelisierung
  • Spezialisierte Subagents für Recherche, Implementierung, Tests und Review definieren
  • Parallele Arbeit mit Branches, Worktrees und isolierten Umgebungen organisieren
  • Orchestrierung: Ergebnisse zusammenführen und Konflikte auflösen
  • Werkzeuge und Datenquellen über MCP gemeinsam nutzbar machen

Tag 2

Modul 5 Review, Sicherheit und Governance im Team
  • Review-Strategien für große, agentisch erzeugte Änderungen
  • Berechtigungen, Sandboxing und Schutz vor Prompt Injection festlegen
  • Agenten in CI-Pipelines und Pull-Request-Prozesse einbinden
  • Teamrichtlinien, Verantwortlichkeiten, Kosten und schrittweise Einführung planen
Modul 6 Praxislabor: Data Science & Machine Learning
  • Explorative Datenanalyse
  • Notebooks in Pipelines überführen
  • Modelltraining und Validierung
  • Experiment-Tracking und MLOps
  • Modelle erklären und prüfen
  • LLM- und RAG-Prototypen evaluieren
Modul 7 Datenschutz, Qualität & Transfer in den Alltag
  • 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.
  • Spielregeln für den sicheren KI-Einsatz im Team
  • Ergebnisse prüfen: Fakten, Quellen, Tests und Vier-Augen-Prinzip
  • Persönlicher Umsetzungsplan für die nächsten 30 Tage
  • Offene Fragen, Ausblick und Ressourcen zum Weiterlernen

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.

Voraussetzungen

Sie haben mehrjährige Entwicklungserfahrung, arbeiten sicher mit Git, Tests und CI und haben idealerweise bereits erste KI-Coding-Werkzeuge genutzt. Gute Python-Kenntnisse, Erfahrung mit pandas oder Polars und scikit-learn sowie Grundlagen in Statistik und Machine Learning.

Technische Voraussetzungen

Eigener Laptop mit Git, Terminal und Ihrer Entwicklungsumgebung sowie Zugang zu mindestens einem Coding-Agenten wie Claude Code, Codex, Copilot oder Cursor.

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.

Terminvorschläge

Alle Termine sind Vorschläge – Ihr Wunschtermin ist jederzeit möglich.

  • Do, 26. November 2026 – Fr, 27. November 2026 Online Anfragen
  • Mi, 9. Dezember 2026 – Do, 10. Dezember 2026 Stuttgart Anfragen
  • Do, 7. Januar 2027 – Fr, 8. Januar 2027 Hannover Anfragen
  • Mo, 11. Januar 2027 – Di, 12. Januar 2027 Online Anfragen
  • Mi, 20. Januar 2027 – Do, 21. Januar 2027 Berlin Anfragen
  • Di, 2. Februar 2027 – Mi, 3. Februar 2027 Online Anfragen

Häufige Fragen

Worin unterscheidet sich Agentic Coding von Vibe Coding?

Vibe Coding setzt auf schnelle, intuitive Iteration in natürlicher Sprache und eignet sich besonders für Prototypen. Agentic Coding ist ein ingenieurmäßiger Ansatz für professionelle Codebasen: Präzise Spezifikationen, Tests als Abnahmekriterium, klare Berechtigungen und strukturierte Reviews sorgen dafür, dass Agenten auch in komplexen, langlebigen Projekten verlässliche und wartbare Ergebnisse liefern.

Ist der Kurs an ein bestimmtes Werkzeug gebunden?

Nein. Der Kurs vermittelt Methoden, die mit Claude Code, OpenAI Codex, dem GitHub Copilot Coding Agent, Cursor und vergleichbaren Werkzeugen funktionieren. Die Übungen zeigen Unterschiede und Gemeinsamkeiten, etwa bei Kontextdateien, Berechtigungen und Subagents. Sie können mit dem Werkzeug arbeiten, das in Ihrem Unternehmen eingesetzt wird oder werden soll.

Wie behalten wir bei autonomen Agenten die Kontrolle über Qualität und Sicherheit?

Kontrolle entsteht durch mehrere Ebenen: eng gefasste Berechtigungen und Sandboxing, Tests und statische Analysen als automatische Prüfinstanz, verpflichtende menschliche Reviews vor dem Merge und klare Teamregeln zu Verantwortlichkeiten. Im Kurs entwickeln Sie ein Governance-Konzept, das zu Ihren Prozessen, Sicherheitsanforderungen und regulatorischen Vorgaben passt.

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.

Was kostet die Schulung „Agentic Coding für Data Scientists und ML-Engineers“?

Die Schulung kostet pauschal 949 € zzgl. gesetzl. MwSt. pro Teilnehmer:in – unabhängig davon, ob sie online oder vor Ort stattfindet. Enthalten sind 2 Trainingstag(e) mit Live-Trainer:in, Kursunterlagen, Übungsumgebung und Teilnahmebescheinigung.

Kann ich einen eigenen Wunschtermin angeben?

Ja. Unsere Terminvorschläge sind eine Orientierung. Im Anfrageformular können Sie jederzeit einen Wunschtermin oder Zeitraum im Freitext angeben – wir prüfen die Verfügbarkeit und bestätigen innerhalb eines Werktags.

Findet der Kurs online oder vor Ort statt?

Beides ist möglich: live online im virtuellen Klassenraum oder vor Ort in München, Salzburg, Berlin, Augsburg, Hannover, Bremen, Stuttgart oder Kaiserslautern. Auf Wunsch führen wir das Training auch exklusiv für Ihr Team durch.

Weitere Kurse für Data Scientists und ML-Engineers

Weitere Kurse zu Agentic Coding

Alle 32 Kurse zu Agentic Coding

Agentic Coding · MünchenAgentic Coding · SalzburgAgentic Coding · BerlinAgentic Coding · AugsburgAgentic Coding · HannoverAgentic Coding · BremenAgentic Coding · StuttgartAgentic Coding · KaiserslauternAgentic Coding · Online