Schulung · Cursor · Data Science & Machine Learning

Cursor für Data Scientists und ML-Engineers

Produktiv entwickeln mit dem KI-Code-Editor Cursor: Agent-Modus, Rules, Codebase-Kontext, Tab-Completion, Background Agents und Review.

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

„Cursor 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 Cursor nicht abstrakt, sondern an Aufgaben aus Ihrem Arbeitsalltag kennen – mit Beispielen, Übungen und Vorlagen aus dem Bereich Data Science & Machine Learning.

Cursor ist ein KI-Code-Editor auf Basis von VS Code, der Sprachmodelle tief in den Entwicklungsalltag integriert. Neben einer kontextbewussten Tab-Completion bietet Cursor einen Agent-Modus, der selbstständig Dateien durchsucht, Änderungen über das gesamte Projekt plant, Terminalbefehle ausführt und Fehler iterativ behebt. In diesem zweitägigen Training lernen Sie, Cursor gezielt einzusetzen: Sie wählen den passenden Interaktionsmodus, steuern den Kontext bewusst und kombinieren KI-Unterstützung mit Ihrem bestehenden Workflow aus Versionskontrolle, Tests und Code-Review.

Ein Schwerpunkt liegt auf der Teamtauglichkeit: Mit Projekt-Rules halten Sie Architekturvorgaben, Namenskonventionen und Teststrategien fest, damit der Agent konsistente Ergebnisse liefert. Sie lernen, die Codebase-Indizierung, gezielte Referenzen auf Dateien, Dokumentation und Symbole sowie MCP-Integrationen sinnvoll zu nutzen. Zudem delegieren Sie Aufgaben an Background Agents, prüfen deren Ergebnisse als Pull Requests und etablieren einen Review-Prozess, der Qualität, Sicherheit und Datenschutz im Unternehmen gleichermaßen berücksichtigt und auch für größere Teams mit mehreren Repositories tragfähig 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 wählen für jede Aufgabe den passenden Cursor-Modus und setzen ihn effizient ein.
  • Sie steuern den Codebase-Kontext gezielt und erhalten dadurch präzisere Vorschläge.
  • Sie formulieren Projekt-Rules, die Konventionen Ihres Teams zuverlässig durchsetzen.
  • Sie setzen den Agent-Modus und Background Agents für Features und Refactorings mit überprüfbaren Ergebnissen 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 Cursor einrichten und die Arbeitsmodi verstehen
  • Installation, Migration von VS-Code-Einstellungen und Erweiterungen
  • Unterschiede zwischen Tab-Completion, Inline-Bearbeitung, Ask- und Agent-Modus
  • Modellauswahl je nach Aufgabe: Geschwindigkeit, Tiefe und Kosten abwägen
  • Datenschutzmodus und Unternehmenseinstellungen kennen
Modul 2 Codebase-Kontext gezielt steuern
  • Wie die Codebase-Indizierung funktioniert und wo ihre Grenzen liegen
  • Dateien, Ordner, Symbole, Dokumentation und Webquellen gezielt referenzieren
  • Ignore-Dateien nutzen, um sensible oder irrelevante Inhalte auszuschließen
  • Lange Chats vermeiden und Aufgaben mit frischem Kontext neu starten
Modul 3 Rules für konsistente Ergebnisse im Team
  • Projekt-Rules anlegen, versionieren und nach Dateimustern aktivieren
  • Architektur-, Stil- und Testkonventionen als wirksame Rules formulieren
  • Benutzer-Rules und Team-Rules sinnvoll voneinander abgrenzen
  • Rules anhand typischer Fehlgriffe des Agenten iterativ verbessern
Modul 4 Agent-Modus in der Praxis
  • Features schrittweise mit Plan, Umsetzung und Tests entwickeln
  • Refactorings über viele Dateien sicher durchführen und Checkpoints nutzen
  • Terminalbefehle kontrolliert freigeben und Fehlerausgaben zurückspielen
  • MCP-Server für Ticketsysteme, Datenbanken oder Browser-Tests anbinden

Tag 2

Modul 5 Background Agents, Review und Governance
  • Aufgaben an Background Agents delegieren und parallel bearbeiten lassen
  • Ergebnisse als Branch oder Pull Request prüfen und nachsteuern
  • KI-gestütztes Code-Review einsetzen und mit menschlichem Review kombinieren
  • Sicherheitsrisiken, Secrets und Lizenzfragen im Unternehmenseinsatz adressieren
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 programmieren regelmäßig in mindestens einer Sprache und sind mit Git sowie einer IDE wie VS Code vertraut. Gute Python-Kenntnisse, Erfahrung mit pandas oder Polars und scikit-learn sowie Grundlagen in Statistik und Machine Learning.

Technische Voraussetzungen

Eigener Laptop mit installiertem Cursor, Git und Ihrer gewohnten Entwicklungsumgebung; ein Cursor-Konto mit Zugriff auf Agent-Funktionen wird empfohlen.

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.

  • Di, 24. November 2026 – Mi, 25. November 2026 Online Anfragen
  • Do, 3. Dezember 2026 – Fr, 4. Dezember 2026 Hannover Anfragen
  • Mo, 14. Dezember 2026 – Di, 15. Dezember 2026 Online Anfragen
  • Do, 7. Januar 2027 – Fr, 8. Januar 2027 Online Anfragen
  • Mi, 13. Januar 2027 – Do, 14. Januar 2027 München Anfragen
  • Mi, 20. Januar 2027 – Do, 21. Januar 2027 Online Anfragen

Häufige Fragen

Brauche ich Vorkenntnisse in VS Code, um Cursor zu nutzen?

Hilfreich, aber nicht zwingend. Cursor basiert auf VS Code, daher fühlen sich Bedienung, Tastenkürzel und Erweiterungen vertraut an, und bestehende Einstellungen lassen sich übernehmen. Wer bisher mit JetBrains-IDEs oder anderen Editoren arbeitet, findet sich nach einer kurzen Einführung im Kurs schnell zurecht und kann sich auf die KI-Funktionen konzentrieren.

Wie verhindere ich, dass vertraulicher Code an Dritte gelangt?

Cursor bietet einen Datenschutzmodus und Unternehmenseinstellungen, die die Speicherung von Code beim Anbieter einschränken. Zusätzlich schließen Sie über Ignore-Dateien sensible Bereiche von Indizierung und Kontext aus. Im Kurs besprechen wir, wie Sie diese Optionen mit internen Richtlinien, Datenschutzanforderungen und dem Umgang mit Secrets in Einklang bringen.

Was bringen Rules im Vergleich zu guten Prompts?

Prompts gelten nur für eine einzelne Anfrage, Rules dagegen dauerhaft und für das ganze Team. Sie halten darin Architekturentscheidungen, bevorzugte Bibliotheken, Teststrategien und Stilvorgaben fest. Dadurch muss niemand diese Informationen wiederholen, und der Agent erzeugt Code, der zu Ihrer Codebasis passt. Rules werden mit dem Projekt versioniert und gemeinsam weiterentwickelt.

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 „Cursor 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 Cursor

Alle 32 Kurse zu Cursor

Cursor · MünchenCursor · SalzburgCursor · BerlinCursor · AugsburgCursor · HannoverCursor · BremenCursor · StuttgartCursor · KaiserslauternCursor · Online