Am Ende dieses Kurses werden die Teilnehmer in der Lage sein, Bayes'sche Statistiken für die Entscheidungsfindung in Unternehmen und im Gesundheitswesen anzuwenden, probabilistische Modelle in Excel zu implementieren und fortgeschrittene A/B- und Multi-Varianten-Tests mit Python durchzuführen. Der Kurs beginnt mit einer praktischen Einführung in die Bayes'sche Argumentation in Excel, in der Sie lernen, Datensätze zu strukturieren, Gemeinsame und Bedingte Wahrscheinlichkeiten zu berechnen und Vorrangige Wahrscheinlichkeiten mit realen Beispielen aus dem Gesundheitswesen zu aktualisieren. Sie üben den Aufbau von Bayes'schen Wahrscheinlichkeitstabellen, die Interpretation von wiederholten Testergebnissen und die Analyse der Vorhersageleistung für eine evidenzbasierte Entscheidungsfindung. Anschließend geht der Kurs über in die rechnergestützte Bayes'sche Statistik mit Python. Sie sammeln praktische Erfahrungen mit Markov Chain Monte Carlo (MCMC) Sampling, approximieren Posterior-Verteilungen mit PyMC und erforschen hierarchische Modelle für A/B- und Multi-Varianten-Tests. Was diesen Kurs auszeichnet, ist sein dualer Ansatz: einfache Excel-basierte Grundlagen für die sofortige Anwendung, gefolgt von fortgeschrittenen Python-Implementierungen für skalierbare Experimente und die Integration von Maschinellem Lernen.
Bald zu Ende: Erwerben Sie mit Coursera Plus für 199 $ (regulär 399 $) das nächste Level. Jetzt sparen.
Was Sie lernen werden
Anwendung der Bayes'schen Logik in Excel, um Wahrscheinlichkeiten zu berechnen, zu aktualisieren und zu interpretieren.
Erstellen Sie probabilistische Modelle und analysieren Sie die Vorhersageleistung in realen Datensätzen.
Verwenden Sie Python mit MCMC und PyMC für A/B-Tests, Posterior-Inferenz und Skalierung.
Kompetenzen, die Sie erwerben
- Kategorie: Statistische Modellierung
- Kategorie: Datenanalyse
- Kategorie: Prädiktive Analytik
- Kategorie: Unternehmensanalytik
- Kategorie: A/B-Tests
- Kategorie: Wahrscheinlichkeit & Statistik
- Kategorie: Microsoft Excel
- Kategorie: Statistisches maschinelles Lernen
- Kategorie: Statistisches Programmieren
- Kategorie: Bayessche Statistik
- Kategorie: Gesundheitsinformatik
- Kategorie: Markov-Modell
- Kategorie: Entscheidungsfindung
Wichtige Details
Zu Ihrem LinkedIn-Profil hinzufügen
September 2025
10 Aufgaben
Erfahren Sie, wie Mitarbeiter führender Unternehmen gefragte Kompetenzen erwerben.
In diesem Kurs gibt es 3 Module
Dieses Modul führt in die Kernprinzipien der Bayes'schen Statistik ein und demonstriert ihre Anwendung beim überwachten Maschinellen Lernen und A/B-Tests. Die Lernenden werden die Grundlagen der Bayes'schen Inferenz erforschen, praktische Beispiele für die Entscheidungsfindung unter Unsicherheit untersuchen und praktische Erfahrungen bei der Implementierung von Markov Chain Monte Carlo (MCMC) Methoden mit PyMC sammeln. Am Ende des Moduls werden die Teilnehmer die Fähigkeit entwickeln, die Bayes'sche Theorie mit realen Experimenten des Maschinellen Lernens zu verbinden.
Das ist alles enthalten
8 Videos4 Aufgaben
Dieses Modul führt die Lernenden in die Grundlagen der Vorbereitung von Datensätzen aus dem Gesundheitswesen für die statistische Bayes'sche Modellierung mit Microsoft Excel ein. Die Lernenden erkunden die Projektziele, verstehen die Struktur realer Testdaten aus dem Gesundheitswesen und erstellen effiziente Zusammenfassungen für die erste Analyse. Durch die Untersuchung historischer, zukünftiger, demografischer und zentrumsbezogener Trends erlangen die Teilnehmer die Fähigkeit, Daten effektiv zu organisieren, zu interpretieren und zu strukturieren, um eine solide Grundlage für Bayes'sche Wahrscheinlichkeitsanwendungen in der Analytik im Gesundheitswesen zu schaffen.
Das ist alles enthalten
7 Videos3 Aufgaben
Dieses Modul führt die Lernenden durch die Erstellung und Anwendung von Bayes'schen Wahrscheinlichkeitstabellen in Microsoft Excel zur Analyse von Testszenarien im Gesundheitswesen. Die Teilnehmer lernen, wie sie Bayes'sche Rahmenwerke strukturieren, Gemeinsame Wahrscheinlichkeiten berechnen, Vorrangige Wahrscheinlichkeiten mit neuen Erkenntnissen aktualisieren und Ergebnisse über mehrere Testzyklen hinweg interpretieren können. Am Ende dieses Moduls werden die Lernenden in der Lage sein, Bayes'sche Schlussfolgerungen auf reale Gesundheitsdaten anzuwenden und die Genauigkeit der prädiktiven Data Analytics im Gesundheitswesen zu verbessern.
Das ist alles enthalten
4 Videos3 Aufgaben
Mehr von Datenanalyse entdecken
Status: Kostenloser TestzeitraumUniversity of California, Santa Cruz
Status: Kostenloser TestzeitraumUniversity of California, Santa Cruz
Status: Kostenloser Testzeitraum
Status: VorschauTufts University
Warum entscheiden sich Menschen für Coursera für ihre Karriere?
Häufig gestellte Fragen
Um Zugang zu den Kursmaterialien und Aufgaben zu erhalten und um ein Zertifikat zu erwerben, müssen Sie die Zertifikatserfahrung erwerben, wenn Sie sich für einen Kurs anmelden. Sie können stattdessen eine kostenlose Testversion ausprobieren oder finanzielle Unterstützung beantragen. Der Kurs kann stattdessen die Option "Vollständiger Kurs, kein Zertifikat" anbieten. Mit dieser Option können Sie alle Kursmaterialien einsehen, die erforderlichen Bewertungen abgeben und eine Abschlussnote erhalten. Dies bedeutet auch, dass Sie kein Zertifikat erwerben können.
Wenn Sie ein Zertifikat erwerben, erhalten Sie Zugang zu allen Kursmaterialien, einschließlich der benoteten Aufgaben. Nach Abschluss des Kurses wird Ihr elektronisches Zertifikat zu Ihrer Erfolgsseite hinzugefügt - von dort aus können Sie Ihr Zertifikat ausdrucken oder zu Ihrem LinkedIn-Profil hinzufügen.
Ja. Für ausgewählte Lernprogramme können Sie eine finanzielle Unterstützung oder ein Stipendium beantragen, wenn Sie die Anmeldungsgebühr nicht aufbringen können. Wenn für das von Ihnen gewählte Lernprogramm eine finanzielle Unterstützung oder ein Stipendium verfügbar ist, finden Sie auf der Beschreibungsseite einen Link zur Beantragung.
Weitere Fragen
Finanzielle Unterstützung verfügbar,