Schulung · Windsurf · Data Science & Machine Learning

Windsurf für Data Scientists und ML-Engineers

Mit der KI-IDE Windsurf und dem Cascade-Agenten entwickeln: Flows, Memories, Rules, Workflows und sicherer Einsatz im Team.

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

Das Training „Windsurf für Data Scientists und ML-Engineers“ richtet sich an 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 und zeigt Schritt für Schritt, wie Windsurf im Bereich Data Science & Machine Learning produktiv, sicher und nachvollziehbar eingesetzt wird – von den Grundlagen bis zu fortgeschrittenen Workflows.

Windsurf ist eine KI-gestützte Entwicklungsumgebung, deren Herzstück der Agent Cascade ist. Cascade versteht den Zusammenhang Ihres Projekts, verfolgt Ihre Aktionen im Editor und Terminal und arbeitet im sogenannten Flow-Prinzip eng mit Ihnen zusammen: Sie und der Agent bearbeiten dieselbe Aufgabe abwechselnd, ohne Kontext ständig neu erklären zu müssen. In diesem zweitägigen Training lernen Sie, Cascade für Features, Fehlersuche und Refactorings wirkungsvoll einzusetzen und die intelligente Vervollständigung im Alltag zu nutzen.

Damit Ergebnisse im Team konsistent bleiben, steuern Sie Cascade mit Rules auf globaler und Workspace-Ebene, nutzen Memories für dauerhaftes Projektwissen und automatisieren wiederkehrende Abläufe mit Workflows, die sich per Slash-Befehl starten lassen. Sie binden über MCP externe Werkzeuge an, kontrollieren die Ausführung von Terminalbefehlen und legen fest, welche Daten Cascade sehen darf. Abschließend entwickeln Sie Regeln für Code-Review, Sicherheit und Datenschutz, damit Windsurf verantwortungsvoll im Unternehmen eingesetzt werden kann.

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 Cascade im Flow-Prinzip für Features, Fehlersuche und Refactorings produktiv ein.
  • Sie steuern den Kontext von Windsurf gezielt und schützen sensible Inhalte.
  • Sie pflegen Memories und Rules, die Ihre Projektkonventionen zuverlässig durchsetzen.
  • Sie automatisieren wiederkehrende Abläufe mit Workflows und binden externe Werkzeuge über MCP an.
  • 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 Windsurf und Cascade kennenlernen
  • Installation, Import bestehender Editor-Einstellungen und Grundkonfiguration
  • Cascade im Code- und Chat-Modus: wann der Agent ändert und wann er nur berät
  • Das Flow-Prinzip: wie Cascade Ihre Editor- und Terminalaktionen einbezieht
  • Intelligente Vervollständigung und Inline-Befehle im Entwicklungsalltag
Modul 2 Kontext gezielt steuern
  • Codebase-Indizierung verstehen und relevante Dateien oder Verzeichnisse referenzieren
  • Dokumentation, Webquellen und Terminalausgaben in den Kontext holen
  • Sensible Inhalte über Ignore-Dateien vom Kontext ausschließen
  • Sitzungen strukturieren und bei Themenwechsel neu beginnen
Modul 3 Memories und Rules für konsistente Ergebnisse
  • Automatisch erzeugte und manuell angelegte Memories prüfen und pflegen
  • Globale Rules und Workspace-Rules anlegen und versionieren
  • Architektur-, Stil- und Testvorgaben als wirksame Rules formulieren
  • Rules nach Dateimustern oder Anlass gezielt aktivieren
Modul 4 Workflows und Automatisierung
  • Wiederkehrende Abläufe als Workflows definieren und per Slash-Befehl starten
  • Workflows für Release-Vorbereitung, Tests oder Code-Pflege bauen
  • MCP-Server für Ticketsysteme, Datenbanken oder interne Dienste anbinden
  • Ausführung von Terminalbefehlen über Allow- und Deny-Listen kontrollieren

Tag 2

Modul 5 Qualität, Review und Governance
  • Änderungen von Cascade nachvollziehen, teilweise übernehmen oder zurücksetzen
  • Testgetriebene Arbeitsweise und Vorschau-Funktionen zur Kontrolle nutzen
  • Team-Einstellungen, Datenschutzoptionen und Umgang mit Secrets
  • Review-Prozesse und Verantwortlichkeiten für KI-generierten Code festlegen
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 modernen IDE 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 Windsurf-Editor, Git und Ihrer gewohnten Toolchain; ein Windsurf-Konto mit Zugriff auf Cascade wird 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.

  • Do, 26. November 2026 – Fr, 27. November 2026 Online Anfragen
  • Di, 8. Dezember 2026 – Mi, 9. Dezember 2026 Berlin Anfragen
  • Mi, 16. Dezember 2026 – Do, 17. Dezember 2026 Online Anfragen
  • Di, 12. Januar 2027 – Mi, 13. Januar 2027 Online Anfragen
  • Di, 19. Januar 2027 – Mi, 20. Januar 2027 Hannover Anfragen
  • Do, 4. Februar 2027 – Fr, 5. Februar 2027 Online Anfragen

Häufige Fragen

Was ist mit Flows in Windsurf gemeint?

Flows beschreiben die enge Zusammenarbeit zwischen Ihnen und Cascade. Der Agent beobachtet, was Sie im Editor und Terminal tun, und berücksichtigt diese Aktionen bei seinen nächsten Schritten. Dadurch müssen Sie den Stand Ihrer Arbeit nicht ständig neu erklären, und Sie können fließend zwischen eigener Arbeit und Delegation an den Agenten wechseln.

Worin unterscheiden sich Memories, Rules und Workflows?

Memories speichern Wissen, das Cascade im Laufe der Arbeit gesammelt hat oder das Sie ausdrücklich festhalten. Rules sind von Ihnen formulierte Vorgaben, die das Verhalten des Agenten dauerhaft prägen. Workflows sind wiederverwendbare Schrittfolgen für wiederkehrende Aufgaben, die Sie per Slash-Befehl starten. Zusammen sorgen sie für konsistente Ergebnisse im Team.

Kann ich Windsurf mit meinen bestehenden Projekten und Sprachen nutzen?

Ja. Windsurf ist sprachunabhängig und arbeitet mit Ihrer vorhandenen Toolchain, also Ihren Build-Werkzeugen, Paketmanagern und Testframeworks. Ob Backend, Frontend, Datenverarbeitung oder Infrastruktur-Code: Entscheidend ist, dass Sie Cascade mit guten Rules und klarem Kontext versorgen. Den konkreten Fachbezug liefert die jeweilige Kursvariante für Ihren Bereich.

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 „Windsurf 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 Windsurf

Alle 32 Kurse zu Windsurf

Windsurf · MünchenWindsurf · SalzburgWindsurf · BerlinWindsurf · AugsburgWindsurf · HannoverWindsurf · BremenWindsurf · StuttgartWindsurf · KaiserslauternWindsurf · Online