Schulung · Claude Code · Data Science & Machine Learning

Claude Code für Data Scientists und ML-Engineers

Agentisches Coding mit Claude Code im Terminal und in der IDE: von CLAUDE.md über Subagents und Hooks bis zu CI und sicheren Berechtigungen.

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

In diesem Kurs verbinden wir Claude Code mit den typischen Abläufen im Bereich Data Science & Machine Learning. Die Teilnehmenden arbeiten an realistischen Szenarien und nehmen sofort einsetzbare Prompts, Workflows und Checklisten mit.

Claude Code ist der agentische Coding-Assistent von Anthropic, der direkt im Terminal und in gängigen IDEs arbeitet. Statt einzelne Codezeilen zu vervollständigen, liest Claude Code Ihr Repository, plant Änderungen über mehrere Dateien hinweg, führt Befehle aus, startet Tests und erstellt Commits. In diesem zweitägigen Training lernen Sie, wie Sie dieses Werkzeug kontrolliert einsetzen: mit klaren Projektanweisungen in CLAUDE.md, bewusstem Kontextmanagement und einem Workflow, bei dem Sie als Entwicklerin oder Entwickler die Richtung vorgeben und jede Änderung nachvollziehen können.

Im Mittelpunkt stehen reale Entwicklungsaufgaben: Bugs analysieren, Features umsetzen, Legacy-Code refaktorieren und Tests ergänzen. Sie konfigurieren Subagents für spezialisierte Aufgaben, automatisieren Qualitätsprüfungen mit Hooks, binden externe Systeme über das Model Context Protocol (MCP) an und bündeln Teamwissen in Skills. Abschließend bringen Sie Claude Code headless in CI-Pipelines und legen Berechtigungen, Sandboxing und Freigaberegeln so fest, dass der Einsatz auch in sicherheitskritischen Umgebungen, etwa mit regulatorischen Vorgaben oder sensiblen Kundendaten, vertretbar bleibt.

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 setzen Claude Code für mehrstufige Entwicklungsaufgaben ein und behalten dabei die Kontrolle über jede Änderung.
  • Sie pflegen eine CLAUDE.md, die Projektkonventionen, Befehle und Architekturhinweise wirksam an den Agenten übergibt.
  • Sie erweitern Claude Code mit Subagents, Hooks, MCP-Servern und Skills passend zu Ihrem Team.
  • Sie integrieren Claude Code in Git-Workflows und CI-Pipelines mit nachvollziehbaren, testgesicherten Ergebnissen.
  • 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 und Arbeitsweise von Claude Code
  • Installation, Anmeldung und Einsatz im Terminal sowie in VS Code und JetBrains-IDEs
  • Agentische Schleife verstehen: Lesen, Planen, Ausführen, Prüfen
  • Plan-Modus nutzen, um Lösungswege vor der Umsetzung abzustimmen
  • Wirksame Aufgabenbeschreibungen mit Ziel, Kontext und Abnahmekriterien formulieren
Modul 2 Projektkontext mit CLAUDE.md und Kontextmanagement
  • CLAUDE.md auf Projekt-, Verzeichnis- und Benutzerebene strukturieren
  • Build-, Test- und Stilkonventionen so dokumentieren, dass der Agent sie zuverlässig befolgt
  • Kontextfenster steuern mit gezielten Dateiverweisen, Kompaktieren und frischen Sitzungen
  • Sitzungen fortsetzen und lange Aufgaben in überschaubare Etappen teilen
Modul 3 Erweitern mit Subagents, Hooks, MCP und Skills
  • Subagents für Code-Review, Recherche oder Testgenerierung definieren
  • Hooks einsetzen, um Formatierung, Linting oder Prüfungen vor und nach Tool-Aufrufen zu erzwingen
  • MCP-Server für Ticketsysteme, Datenbanken oder interne Dokumentation anbinden
  • Eigene Slash-Commands und Skills für wiederkehrende Team-Workflows erstellen
Modul 4 Git-Workflows, Tests und Qualitätssicherung
  • Branches, aussagekräftige Commits und Pull Requests mit Claude Code erstellen
  • Testgetriebenes Arbeiten: erst Tests schreiben lassen, dann implementieren
  • Diffs systematisch prüfen und Änderungen gezielt zurückweisen oder nachschärfen
  • Parallele Arbeit mit Git-Worktrees und mehreren Sitzungen organisieren

Tag 2

Modul 5 Headless-Betrieb, CI und Sicherheit
  • Claude Code nicht-interaktiv in Skripten und CI-Pipelines ausführen
  • Automatisierte Reviews und Issue-Bearbeitung in GitHub- oder GitLab-Workflows
  • Berechtigungsmodi, Allow- und Deny-Regeln sowie Sandboxing konfigurieren
  • Umgang mit Secrets, Prompt-Injection-Risiken und unternehmensweiten Richtlinien
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 verfügen über praktische Programmiererfahrung in mindestens einer Sprache und arbeiten sicher mit Git und der Kommandozeile. Gute Python-Kenntnisse, Erfahrung mit pandas oder Polars und scikit-learn sowie Grundlagen in Statistik und Machine Learning.

Technische Voraussetzungen

Eigener Laptop mit Administratorrechten, Git, Node.js-Laufzeit und einem aktuellen Editor; ein Claude-Abonnement oder ein Anthropic-API-Zugang wird für die Übungen benötigt.

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.

  • Mi, 25. November 2026 – Do, 26. November 2026 Online Anfragen
  • Do, 10. Dezember 2026 – Fr, 11. Dezember 2026 Salzburg Anfragen
  • Mi, 16. Dezember 2026 – Do, 17. Dezember 2026 Online Anfragen
  • Do, 21. Januar 2027 – Fr, 22. Januar 2027 Bremen Anfragen
  • Mo, 25. Januar 2027 – Di, 26. Januar 2027 Online Anfragen
  • Do, 4. Februar 2027 – Fr, 5. Februar 2027 Augsburg Anfragen

Häufige Fragen

Worin unterscheidet sich Claude Code von klassischer Code-Vervollständigung?

Code-Vervollständigung schlägt die nächsten Zeilen vor, während Claude Code als Agent ganze Aufgaben bearbeitet: Es durchsucht das Repository, plant Änderungen über mehrere Dateien, führt Tests und Befehle aus und korrigiert sich anhand der Ergebnisse. Sie formulieren das Ziel und prüfen das Resultat, statt jede Zeile selbst zu steuern.

Ist Claude Code für den Einsatz im Unternehmen sicher genug?

Claude Code fragt standardmäßig vor Dateiänderungen und Befehlen nach Freigabe. Über Berechtigungsregeln, Sandboxing, verwaltete Einstellungen und Hooks lässt sich genau festlegen, was der Agent darf. Im Kurs lernen Sie, diese Mechanismen passend zu Ihren Sicherheits- und Datenschutzvorgaben zu konfigurieren und Risiken wie Prompt Injection einzuschätzen.

Funktioniert Claude Code mit meiner Programmiersprache und meinem Stack?

Ja. Claude Code arbeitet sprachunabhängig, weil es mit Dateien, Terminalbefehlen und Ihren vorhandenen Build- und Test-Tools arbeitet. Ob Python, Java, TypeScript, Go, ABAP-nahe Projekte oder Infrastruktur als Code: Entscheidend ist eine gute CLAUDE.md, die Ihre Befehle und Konventionen beschreibt. Den fachlichen Schwerpunkt setzt die jeweilige Kursvariante.

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 „Claude Code 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 Claude Code

Alle 77 Kurse zu Claude Code

Claude Code · MünchenClaude Code · SalzburgClaude Code · BerlinClaude Code · AugsburgClaude Code · HannoverClaude Code · BremenClaude Code · StuttgartClaude Code · KaiserslauternClaude Code · Online