Agentic AI a Claude Code pro datové vědce

Cíle kurzu

Chatovací AI nástroje umí poradit a navrhnout kód, ale pořád je potřeba každý krok ručně kopírovat, spouštět a kontrolovat. Agentic coding nástroje (Claude Code, Codex CLI a podobné) jdou o úroveň dál — pracují přímo v repozitáři, samy čtou a upravují soubory, spouštějí příkazy a testy a iterují na základě výsledků, to vše pod kontrolou a se schválením člověka.

Pro datové vědce to otevírá nové tempo práce: agent dokáže samostatně provést průzkumnou analýzu datasetu, navrhnout a otestovat sadu příznaků, sestavit baseline model, napsat a spustit testy nad pipeline nebo připravit draft pull requestu. Kurz učí, jak takového agenta efektivně řídit, jak kontrolovat a validovat jeho výstupy, jak ho napojit na reálná data a nástroje (databáze, API, git) a jak to všechno dělat bezpečně a reprodukovatelně.

Kurz pracuje s Claude Code jako primárním nástrojem, principy jsou ale přenositelné i na Codex, OpenCode a další agentic nástroje.

Pro koho je určeno

• Datoví vědci a ML inženýři

• Pokročilí analytici se znalostí programování (Python, SQL)

• Tech leadi a vedoucí data analytics a data science týmů zvažující zavedení agentic nástrojů do provozu

Kurz předpokládá základní znalost Pythonu, gitu a příkazové řádky. Zkušenost se základními AI chat nástroji je výhodou (ideálně po absolvování úvodního kurzu Generativní AI pro datové analytiky), ale konkrétní předchozí nástroj ani AI zkušenost nejsou podmínkou — krátkým opakováním na úvod kurz pokrývá i účastníky bez ní.

Obsah kurzu

• Rozdíl mezi AI chatem a agentic coding nástrojem — autonomie a co to znamená
• Rychlé opakování základů AI chatu a promptingu pro účastníky bez úvodního kurzu
• Základní mechanika Claude Code: kontext repozitáře, nástroje agenta, permission model, plánování kroků
• Konfigurace projektu pro agenta (`CLAUDE.md`) pro efektivitu a bezpečnost práce
• Různé styly práce a různá konfigurace agentů
• Praktické cvičení: Agentic workflow na reálném datasetu od zadání po draft pull requestu:
  • zadání analýzy agentovi a kontrola mezivýsledků    
  • tvorba modelů
  • autonomie vs. reprodukovatelnost
  • jak kontrolovat výsledky agenta – přístupy, jejich výhody a nevýhody
• Základní stavební bloky
  • přístup k souborům
  • GIT
  • CLI přístup k nástrojům
  • přístup k datům
• Pokročilé techniky
  • MCP server
  • pokročilé git funkce
• Governance, bezpečnost a rizika agentic nástrojů:
  • řízení oprávnění, sandboxing, princip nejmenších oprávnění
  • audit trail a reprodukovatelnost experimentů
  • rizika: prompt injection z dat, neřízené destruktivní příkazy, falešná jistota výstupu, kontrola nákladů
• Trendy do budoucna
  • AI přímo v databázových nástrojích
  • lokální LLM
  • bezpečný LLM v cloudu aneb co požadovat od cloud nástrojů