Vielen Dank für die Zusendung Ihrer Anfrage! Eines unserer Teammitglieder wird Sie in Kürze kontaktieren.
Vielen Dank, dass Sie Ihre Buchung abgeschickt haben! Eines unserer Teammitglieder wird Sie in Kürze kontaktieren.
Schulungsübersicht
Code mit LLMs verstehen
- Prompting-Strategien für Code-Erklärungen und Durchläufe
- Arbeit mit unbekannten Codebasen und Projekten
- Analyse von Kontrollfluss, Abhängigkeiten und Architektur
Code-Refactoring für Wartbarkeit
- Identifizierung von Code-Smells, totem Code und Anti-Patterns
- Neuordnung von Funktionen und Modulen für Klarheit
- Nutzung von LLMs zur Vorschlagung von Namenskonventionen und Designverbesserungen
Verbesserung von Leistung und Zuverlässigkeit
- Erkennung von Ineffizienzen und Sicherheitsrisiken mit KI-Unterstützung
- Vorschlag effizienterer Algorithmen oder Bibliotheken
- Refactoring von E/A-Operationen, Datenbankanfragen und API-Aufrufen
Automatisierung der Code-Dokumentation
- Generierung von Funktions- und Methoden-Kommentaren sowie Zusammenfassungen
- Schreiben und Aktualisieren von README-Dateien aus Codebasen
- Erstellung von Swagger/OpenAPI-Dokumenten mit LLM-Unterstützung
Integration in Toolchains
- Nutzung von VS Code-Erweiterungen und Copilot Labs für die Dokumentation
- Einsatz von GPT oder Claude in Git-Pre-Commit-Hooks
- CI-Pipeline-Integration für Dokumentation und Linting
Arbeit mit Legacy- und Multi-Sprach-Codebasen
- Reverse Engineering älterer oder undokumentierter Systeme
- Cross-Language-Refactoring (z. B. von Python zu TypeScript)
- Fallstudien und Demos zum Pair-AI-Programmieren
Ethik, Qualitätssicherung und Review
- Validierung von KI-generierten Änderungen und Vermeidung von Halluzinationen
- Best Practices für Peer Reviews bei der Nutzung von LLMs
- Gewährleistung der Reproduzierbarkeit und Einhaltung der Coding-Standards
Zusammenfassung und weitere Schritte
Voraussetzungen
- Erfahrung mit Programmiersprachen wie Python, Java oder JavaScript
- Vertrautheit mit Softwarearchitektur und Code-Review-Prozessen
- Grundlegendes Verständnis der Funktionsweise von Large Language Models
Zielgruppe
- Backend-Ingenieure
- DevOps-Teams
- Senior-Entwickler und Tech-Leads
14 Stunden
Erfahrungsberichte (1)
Ich habe Wissen über die Streamlit-Bibliothek von Python erworben und werde sie sicherlich verwenden, um Anwendungen in meinem Team zu verbessern, die mit R Shiny erstellt wurden.
Michal Maj - XL Catlin Services SE (AXA XL)
Kurs - GitHub Copilot for Developers
Maschinelle Übersetzung