Welche Plattform wird zur Durchführung von Code-Operationen verwendet?

Der Kurs verwendet hauptsächlich Google Colab für Code-Übungen. Die Lernenden haben jedoch die Möglichkeit, Integrierte Entwicklungsumgebungen (IDEs) wie Jupyter Notebook, PyCharm, Spyder oder VS Code für fortgeschrittenere Programmierprojekte zu verwenden, wenn sie dies wünschen.

Kann mir dieser Kurs bei einer Karriere in der Datenwissenschaft helfen?

Ja, prädiktive Modellierung ist eine Kernkompetenz für Datenwissenschaft, Business Analytics und KI-gesteuerte Entscheidungsfindung.

Welche Karrieremöglichkeiten eröffnen sich durch Kenntnisse in prädiktiver Modellierung?

Die Kenntnisse im Bereich der Vorhersagemodellierung bereiten Sie auf Karrieren als Data Scientist, Ingenieur für Maschinelles Lernen, Business Analyst und Risikomodellierer vor.

Bekomme ich nach Abschluss des Kurses ein Zertifikat?

Ja, Sie erhalten ein Coursera-Zertifikat, das Sie bei Arbeitgebern vorzeigen und Ihrem LinkedIn-Profil hinzufügen können.

Ist finanzielle Unterstützung verfügbar?

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 zum Antragsformular.

Prädiktive Modellierung mit Python

Nutzen Sie die Ersparnis! Erhalten Sie 40% Rabatt auf 3 Monate Coursera Plus und vollen Zugang zu Tausenden von Kursen.

Prädiktive Modellierung mit Python

Dieser Kurs ist Teil von Spezialisierung „Angewandte Data Analytics“

Dozent: Edureka

Bei enthalten

Mehr erfahren

6 Module

Verschaffen Sie sich einen Einblick in ein Thema und lernen Sie die Grundlagen.

Stufe Mittel

Empfohlene Erfahrung

2 Wochen zu vervollständigen

unter 10 Stunden pro Woche

Flexibler Zeitplan

In Ihrem eigenen Lerntempo lernen

6 Module

Verschaffen Sie sich einen Einblick in ein Thema und lernen Sie die Grundlagen.

Stufe Mittel

Empfohlene Erfahrung

2 Wochen zu vervollständigen

unter 10 Stunden pro Woche

Flexibler Zeitplan

In Ihrem eigenen Lerntempo lernen

Was Sie lernen werden

Verwalten und Vorverarbeiten von Daten für die statistische Analyse und Modellierung.
Durchführung von Hypothesentests mit Hilfe fortgeschrittener statistischer Verfahren.
Erstellen Sie Modelle für die Explorative Datenanalyse (EDA), um neue Erkenntnisse zu gewinnen.
Erstellung und Bewertung von Modellen zur Lösung realer Datenprobleme.

Kompetenzen, die Sie erwerben

Kategorie: Statistical Analysis
Kategorie: Big Data
Kategorie: Applied Machine Learning
Kategorie: Business Analytics
Kategorie: Predictive Analytics
Kategorie: Statistical Methods
Kategorie: Logistic Regression
Kategorie: Data Preprocessing
Kategorie: Data Manipulation
Kategorie: Machine Learning Algorithms
Kategorie: Data Analysis
Kategorie: Predictive Modeling
Kategorie: Machine Learning

Werkzeuge, die Sie lernen werden

Kategorie: Scikit Learn (Machine Learning Library)
Kategorie: NumPy
Kategorie: Python Programming
Kategorie: Pandas (Python Package)

Wichtige Details

Zertifikat zur Vorlage

Zu Ihrem LinkedIn-Profil hinzufügen

Bewertungen

23 Aufgaben

Unterrichtet in Englisch

Erfahren Sie, wie Mitarbeiter führender Unternehmen gefragte Kompetenzen erwerben.

Weitere Informationen zu Coursera für Unternehmen

Logos von Petrobras, TATA, Danone, Capgemini, P&G und L'Oreal

Erweitern Sie Ihre Fachkenntnisse

Dieser Kurs ist Teil der Spezialisierung Spezialisierung „Angewandte Data Analytics“

Wenn Sie sich für diesen Kurs anmelden, werden Sie auch für diese Spezialisierung angemeldet.

Lernen Sie neue Konzepte von Branchenexperten
Gewinnen Sie ein Grundverständnis bestimmter Themen oder Tools
Erwerben Sie berufsrelevante Kompetenzen durch praktische Projekte
Erwerben Sie ein Berufszertifikat zur Vorlage

In diesem Kurs gibt es 6 Module

Dieser Kurs "Predictive Modeling with Python" bietet eine praktische Einführung in die statistische Analyse und das Maschinelle Lernen mit Python. Sie lernen wesentliche Konzepte, Methoden und Algorithmen des Maschinellen Lernens kennen, wobei der Schwerpunkt auf der Anwendung dieser Konzepte liegt, um reale Geschäfts- und Datenprobleme zu lösen. Am Ende des Kurses werden Sie: - die verschiedenen Datentypen verstehen, die in der statistischen Analyse verwendet werden - Techniken lernen, um inkonsistente Daten effektiv zu verwalten.

- Hypothesentests mit parametrischen und nicht-parametrischen Tests durchführen - Explorative Datenanalyse (EDA) Modelle mit Hilfe von statistischen Methoden und Methoden des Maschinellen Lernens entwickeln - Modelle des Maschinellen Lernens durch Evaluierungs- und Optimierungstechniken verbessern Dieser Kurs richtet sich an Personen mit grundlegenden Kenntnissen der Python-Programmierung und statistischen Grundkonzepten. Dieser Kurs ist ideal für angehende Datenanalysten, Data Scientists, Führungskräfte, Ingenieure für maschinelles Lernen und alle, die sich für datengesteuerte Entscheidungsfindung interessieren. Während des gesamten Programms werden Sie praktische Erfahrungen mit statistischen und prädiktiven Modellen sammeln und Ihre Fähigkeiten in realen Szenarien anwenden. Melden Sie sich noch heute für "Predictive Modeling with Python" an und bringen Sie Ihr Fachwissen auf die nächste Stufe!

Im ersten Modul dieses Kurses werden die Lernenden verschiedene Datentypen untersuchen und verschiedene Maße der zentralen Tendenz und der Streuung verwenden, um Dateninkonsistenzen zu behandeln.

Das ist alles enthalten

12 Videos3 Lektüren4 Aufgaben2 Diskussionsthemen

12 Videos Insgesamt 40 Minuten

Kurs Einführung 3 Minuten
Datenarten 3 Minuten
Kategoriale Daten 2 Minuten
Nominale Daten 2 Minuten
Demonstration der Datentypen - Datensatzbeschreibung 4 Minuten
Demonstration von Typen 5 Minuten
Was ist Statistik? 4 Minuten
Maße der zentralen Tendenz 3 Minuten
Demonstration der zentralen Tendenz 4 Minuten
Maßnahmen zur Dispersion 3 Minuten
Demonstration: Maßnahmen zur Streuung 4 Minuten
Zusammenfassung der Daten und Informationen 2 Minuten

3 Lektüren Insgesamt 30 Minuten

Willkommen bei Predictive Modeling mit Python 10 Minuten
Anwendungen der zentralen Tendenz in der Statistik 10 Minuten
Bibliotheken für statistische Analysen 10 Minuten

4 Aufgaben Insgesamt 29 Minuten

Praxis-Quiz : Datentypen in der Statistik 3 Minuten
Praxis-Quiz : Statistische Analyse 3 Minuten
Praxis-Quiz : Statistische Streuung 3 Minuten
Wissens-Check: Daten und Informationen 20 Minuten

2 Diskussionsthemen Insgesamt 20 Minuten

Stellen Sie sich vor 10 Minuten
Warum sind Streuungsmaße wichtig für das Verständnis von Datensätzen? 10 Minuten

In diesem Modul lernen die Lernenden, wie man Daten mit Hilfe von Funktionen der Wahrscheinlichkeitsverteilung verwaltet. Die Lernenden beginnen mit der Anwendung der Bernoulli-Verteilung zur Modellierung kategorialer Daten, erkunden die Poisson-Verteilung für Prognosen und nutzen die Exponential- und Normalverteilung für die Regressionsmodellierung.

Das ist alles enthalten

17 Videos3 Lektüren5 Aufgaben

17 Videos Insgesamt 69 Minuten

Wahrscheinlichkeitsdichte und Massenfunktion 4 Minuten
Kumulative Verteilungsfunktion 4 Minuten
Diskrete Wahrscheinlichkeit 2 Minuten
Negative Bernoulli-Verteilung 2 Minuten
Demonstration der Negativen Bernoulli-Verteilung 7 Minuten
Geometrische Verteilung 2 Minuten
Demonstration der geometrischen Verteilung 7 Minuten
Poisson-Verteilung 5 Minuten
Beispiel für eine Poisson-Verteilung 2 Minuten
Demonstration der Poisson-Verteilung 4 Minuten
Kontinuierliche Wahrscheinlichkeitsverteilung 5 Minuten
Gleichmäßige Verteilung 4 Minuten
Exponentialverteilung 3 Minuten
Demonstration der Exponentialverteilung 3 Minuten
Normalverteilung 6 Minuten
Demonstration der Normalverteilung 6 Minuten
Zusammenfassung der Wahrscheinlichkeitsverteilungsfunktionen 2 Minuten

3 Lektüren Insgesamt 30 Minuten

Beispiel für PDF und Wahrscheinlichkeitsmassenfunktion (PMF) 10 Minuten
Die Bedeutung negativer Bernoulli- und geometrischer Verteilungen 10 Minuten
Kontinuierliche Wahrscheinlichkeitsverteilung und gleichmäßige Verteilung: Mathematisches Beispiel 10 Minuten

5 Aufgaben Insgesamt 32 Minuten

Praxis-Quiz : Allgemeine Wahrscheinlichkeitsverteilung 3 Minuten
Praxis-Quiz : Negative Bernoulli-Verteilung und Geometrische Verteilung 3 Minuten
Praxis-Quiz : Poisson-Verteilung und Uniform-Verteilung 3 Minuten
Praxis-Quiz : Exponentialverteilung und Normalverteilung 3 Minuten
Knowledge Check : Wahrscheinlichkeitsverteilungsfunktion 20 Minuten

Im dritten Modul dieses Kurses lernen die Lernenden die Anwendung des Zentralen Grenzwertsatzes in Szenarien, in denen die Daten möglicherweise nicht richtig verteilt sind. Identifizierung und Analyse von Stichprobendaten unter Verwendung parametrischer und nicht-parametrischer Methoden zur Bearbeitung verschiedener Testfälle für Hypothesentests und Entscheidungsfindung.

Das ist alles enthalten

30 Videos3 Lektüren5 Aufgaben1 Diskussionsthema

30 Videos Insgesamt 138 Minuten

Zentraler Grenzwertsatz 5 Minuten
Demonstration des Zentralen Grenzwertsatzes (Central Limit Theorem) 6 Minuten
Demontration: Schlussfolgerung des Zentralen Grenzwertsatzes (Central Limit Theorem) 3 Minuten
Population und Stichprobe 3 Minuten
Parameter und Statistiken 5 Minuten
Formen der Inferenzstatistik 1 Minute
Punkt- und Intervall-Schätzung 4 Minuten
Maximum Likelihood 4 Minuten
Demonstration der Datenauswertung 5 Minuten
Demonstration: Zeichnen von Stichproben-Daten 4 Minuten
Hypothesenprüfung 5 Minuten
Beispiel für Hypothesentests 5 Minuten
Durchführung von statistischen Tests 6 Minuten
One-Tailed- und Two-Tailed-Test 5 Minuten
Z - Test und T - Test 6 Minuten
Leistungsanalyse 6 Minuten
Demonstration des Konfidenzintervalls und der Fehlerspanne 3 Minuten
Demonstration von Hypothesentests 4 Minuten
Demonstration der Leistungsanalyse 8 Minuten
Chi-Quadrat-Test 4 Minuten
Pearson und Spearman-Korrelation 6 Minuten
Chi-Quadrat-Test Demonstration 6 Minuten
Demonstration der Pearson-Korrelation 6 Minuten
Demonstration der Spearman-Korrelation 7 Minuten
ANOVA 6 Minuten
Beispiel für die Analyse der Varianz (One Way ANOVA) - Teil 1 2 Minuten
Beispiel für eine Analyse der Varianz (ANOVA) - Teil 2 2 Minuten
Demonstration für die einseitige Analyse der Varianz (ANOVA) 5 Minuten
Demonstration für die Zwei-Wege-Analyse der Varianz (ANOVA) 3 Minuten
Zusammenfassung für Inferenzstatistik 2 Minuten

3 Lektüren Insgesamt 30 Minuten

Zentraler Grenzwertsatz (CLT): Mathematisches Beispiel 10 Minuten
Statistische Inferenz - Anwendungen in der realen Welt 10 Minuten
Shapiro-Wilk-Test 10 Minuten

5 Aufgaben Insgesamt 32 Minuten

Übungsquiz : Einführung in den Zentralen Grenzwertsatz 3 Minuten
Praxis-Quiz : Statistische Inferenz Methoden 3 Minuten
Praxis-Quiz : Statistische Hypothesen- und Signifikanztests 3 Minuten
Praxis-Quiz : Parametrische und nicht parametrische Tests 3 Minuten
Knowledge Check : Inferenzstatistik 20 Minuten

1 Diskussionsthema Insgesamt 10 Minuten

Hat jemand von Ihnen die oben genannten Methoden in seiner beruflichen Laufbahn angewandt? 10 Minuten

Im vierten Modul werden die Lernenden die Implementierung der Explorativen Datenanalyse (EDA) auf großen, komplexen Datensätzen erkunden, indem sie sowohl univariate als auch multivariate Analysen durchführen. Sie lernen auch, wie man Daten bereinigt und verarbeitet sowie Feature Engineering durchführt, um die Daten für die Analyse vorzubereiten.

Das ist alles enthalten

29 Videos3 Lektüren4 Aufgaben1 Diskussionsthema

29 Videos Insgesamt 138 Minuten

Was ist Explorative Datenanalyse (EDA)? 5 Minuten
Univariate Analyse: Daten und Ausreißer 4 Minuten
Univariate Analyse: Kurtosis und Diagrammtypen 4 Minuten
Multivariate Analyse 4 Minuten
Multivariate Analyse: Kovarianz, Korrelation und Assoziation 4 Minuten
Multivariate Analyse: Korrelationsmatrix 4 Minuten
Multivariate Analyse: Streudiagramme und Heatmaps 6 Minuten
Identifizierung und Behandlung fehlender Daten 7 Minuten
Probenahme-Methoden 4 Minuten
Mittelwert Median Modus Imputation 5 Minuten
Normalisierung von Daten und Standardisierung 3 Minuten
Methoden zur Transformation von Daten 6 Minuten
Univariate, bivariate und multivariate Imputation 4 Minuten
Demonstration I: Verstehen der Daten 4 Minuten
Demonstration II: Visualisierung und Behandlung fehlender Daten 6 Minuten
Demonstration III: Skalierung und Imputation von Daten 4 Minuten
Demonstration IV: Training Test Split 7 Minuten
Demonstration V: Stratifizierte K-Fold Kreuzvalidierung 4 Minuten
Demonstration VI: Stichprobe und Auswertung 4 Minuten
Einführung in das Feature Engineering 5 Minuten
Merkmal Transformation 6 Minuten
Kodierung: One-Hot-Kodierung 6 Minuten
Kodierung: Label-Kodierung 2 Minuten
Autofeat-Bibliothek 3 Minuten
Demonstration I: Einrichten des Szenariums 4 Minuten
Demonstration II: Datenumwandlung 7 Minuten
Demonstration III: Kodierung 8 Minuten
Demonstration IV: Autofeat 7 Minuten
Zusammenfassung für Einführung in die Explorative Datenanalyse (EDA) 2 Minuten

3 Lektüren Insgesamt 30 Minuten

Verständnis der explorativen Datenanalyse (EDA) 10 Minuten
Bewährte Praktiken bei der Datenvorverarbeitung 10 Minuten
Überblick über die Autofeat-Bibliothek 10 Minuten

4 Aufgaben Insgesamt 29 Minuten

Praxis-Quiz : EDA-Verständnis 3 Minuten
Praxis-Quiz : Bereinigung und Vorverarbeitung von Daten 3 Minuten
Praxis-Quiz : Feature Engineering und Datenumwandlung 3 Minuten
Knowledge Check : Einführung in die (Explorative Datenanalyse) EDA 20 Minuten

1 Diskussionsthema Insgesamt 10 Minuten

Erklären Sie die Bedeutung der Datenvorverarbeitung 10 Minuten

In diesem Modul lernen die Lernenden, wie man Modelle des Maschinellen Lernens einsetzt, um Erkenntnisse aus Daten zu gewinnen. Sie wenden Regressions- und Klassifizierungsalgorithmen an und optimieren die von diesen Modellen erzeugten Ergebnisse.

Das ist alles enthalten

42 Videos2 Lektüren4 Aufgaben1 Diskussionsthema

42 Videos Insgesamt 197 Minuten

Einführung in die lineare Regression 6 Minuten
Annahmen bei linearer Regression 4 Minuten
Arbeitsweise der Linearen Regression 4 Minuten
Kostenfunktion in der Linearen Regression 2 Minuten
Gradientenverfahren in der Linearen Regression 3 Minuten
Demonstration der Linearen Regression: Aufbau eines Modells 3 Minuten
Demonstration der Linearen Regression: Testen des Modells 6 Minuten
Logistische Regression 7 Minuten
Kostenfunktion in der Logistischen Regression 4 Minuten
Gradientenabstieg in der logistischen Regression 4 Minuten
Die Bedeutung der Sigmoidfunktion 1 Minute
Demonstration: Logistische Regression - Datenverarbeitung 6 Minuten
Demonstration: Logistische Regression - Ausführung des Modells 7 Minuten
Klassifizierung im Maschinellen Lernen 5 Minuten
Entscheidungsbaum Teil 1: Was ist ein Entscheidungsbaum? 5 Minuten
Entscheidungsbaum Teil 2: Was ist Random Forest? 5 Minuten
Grundlegende Terminologien des Entscheidungsbaums 4 Minuten
Arbeit des Entscheidungsbaums 6 Minuten
Erstellen eines Entscheidungsbaums 6 Minuten
Vorteile und Nachteile des Entscheidungsbaums 6 Minuten
Demonstration Teil 1: Erläuterung des Szenarios 5 Minuten
Demonstration Teil 2: Erkundung der Daten 2 Minuten
Demonstration Teil 3: Profiling-Bericht 7 Minuten
Demonstration Teil 4: Abwanderung und univariates Diagramm 7 Minuten
Demonstration Teil 5: Datenvorverarbeitung 4 Minuten
Demonstration Teil 6: Aufbau eines Entscheidungsbaums 4 Minuten
Demonstration Teil 7: Baum-Klassifikator 5 Minuten
Demonstration Teil 8: Pro und Kontra 5 Minuten
Random Forest Beispiel Teil 1: Ensemble Learning und Bagging 4 Minuten
Random Forest Beispiel Teil 2: Arbeitsweise von Random Forest 4 Minuten
Leistungsmetriken für Regression - MAE und MAPE 4 Minuten
Leistungsmetriken für Regression - MSE, RMSE, RMSLE und R-Quadrat 4 Minuten
Verwirrungsmatrix 5 Minuten
ROC und AUC 5 Minuten
Abstimmung und Optimierung von Hyperparametern 5 Minuten
Modellauswahl 7 Minuten
Modellevaluation 6 Minuten
Bias Abweichung Trade-off 4 Minuten
Kreuzvalidierung 4 Minuten
Demonstration I: Rastersuche - Analysieren der Daten 4 Minuten
Demonstration II: Rastersuche - Gebäudemodell 4 Minuten
Zusammenfassung der Vorhersage-Modelle 2 Minuten

2 Lektüren Insgesamt 20 Minuten

Regularisierung in der Regression 10 Minuten
Optuna: Ein leistungsfähiges Werkzeug für die Optimierung von Hyperparametern 10 Minuten

4 Aufgaben Insgesamt 29 Minuten

Praxis-Quiz : Regression 3 Minuten
Praxis-Quiz : Klassifizierung: Entscheidungsbaum und Random Forest 3 Minuten
Praxis-Quiz : Modellevaluation und Optimierung 3 Minuten
Knowledge Check : Vorhersagende Modelle und Analyse 20 Minuten

1 Diskussionsthema Insgesamt 10 Minuten

Welche der folgenden Bewertungsmaßstäbe sind einfach zu verwenden und ziemlich genau? 10 Minuten

Dieses Modul dient der Beurteilung der verschiedenen Konzepte und Lehren, die in diesem Kurs behandelt werden. Bewerten Sie Ihr Wissen mit einem umfassenden, benoteten Quiz über Wahrscheinlichkeit, statistische Modellierung und Maschinelles Lernen.

Das ist alles enthalten

1 Video1 Lektüre1 Aufgabe1 Diskussionsthema

Erwerben Sie ein Karrierezertifikat.

Fügen Sie dieses Zeugnis Ihrem LinkedIn-Profil, Lebenslauf oder CV hinzu. Teilen Sie sie in Social Media und in Ihrer Leistungsbeurteilung.

Dozent

Edureka

151 Kurse 141.028 Lernende

von

Edureka

Mehr von Wahrscheinlichkeitsrechnung und Statistik entdecken

Status: Vorschau
EDUCBA
Predictive Modeling with Python: Apply & Evaluate
Kurs
Status: Kostenloser Testzeitraum
University of Pennsylvania
Intro to Predictive Analytics Using Python
Kurs
Status: Kostenloser Testzeitraum
Edureka
Applied Machine Learning with Python
Kurs
Status: Kostenloser Testzeitraum
EDUCBA
AI & Predictive Analytics with Python
Kurs

Warum entscheiden sich Menschen für Coursera für ihre Karriere?

Felipe M.

Lernender seit 2018

„Es ist eine großartige Erfahrung, in meinem eigenen Tempo zu lernen. Ich kann lernen, wenn ich Zeit und Nerven dazu habe.“

Jennifer J.

Lernender seit 2020

„Bei einem spannenden neuen Projekt konnte ich die neuen Kenntnisse und Kompetenzen aus den Kursen direkt bei der Arbeit anwenden.“

Larry W.

Lernender seit 2021

„Wenn mir Kurse zu Themen fehlen, die meine Universität nicht anbietet, ist Coursera mit die beste Alternative.“

Chaitanya A.

„Man lernt nicht nur, um bei der Arbeit besser zu werden. Es geht noch um viel mehr. Bei Coursera kann ich ohne Grenzen lernen.“

Neue Karrieremöglichkeiten mit Coursera Plus

Unbegrenzter Zugang zu 10,000+ Weltklasse-Kursen, praktischen Projekten und berufsqualifizierenden Zertifikatsprogrammen - alles in Ihrem Abonnement enthalten

Mehr erfahren

Bringen Sie Ihre Karriere mit einem Online-Abschluss voran.

Erwerben Sie einen Abschluss von erstklassigen Universitäten – 100 % online

Erkunden Sie die Abschlüsse

Schließen Sie sich mehr als 3.400 Unternehmen in aller Welt an, die sich für Coursera for Business entschieden haben.

Schulen Sie Ihre Mitarbeiter*innen, um sich in der digitalen Wirtschaft zu behaupten.

Mehr erfahren

Häufig gestellte Fragen

In diesem Kurs liegt der Schwerpunkt auf prädiktiver Modellierung und statistischer Analyse. Er vermittelt den Lernenden die Fähigkeiten und Methoden, Daten zu untersuchen, Trends zu erkennen und fundierte Vorhersagen über zukünftige Ergebnisse zu treffen.

Predictive Modeling with Python richtet sich an Fachleute und Enthusiasten, die ihre Kenntnisse in der prädiktiven Modellierung und statistischen Analyse vertiefen möchten, darunter Fachkräfte für Datenmodellierung, angehende Datenwissenschaftler, Führungskräfte und Personen, die sich der datengesteuerten Entscheidungsfindung verschrieben haben.

Der Kurs erstreckt sich über ca. 6 Wochen, was eine flexible Anpassung an das Lerntempo des Teilnehmers ermöglicht, mit einem geschätzten wöchentlichen Zeitaufwand von 2-3 Stunden für Vorlesungen, praktische Projekte und Bewertungen.

Dieser Kurs erfordert ein grundlegendes Verständnis der Mathematik, insbesondere der Algebra und der grundlegenden Statistik. Vertrautheit mit Konzepten der Datenanalyse, einschließlich Dateninterpretation und -manipulation, wird ebenfalls empfohlen. Die Beherrschung von Programmiersprachen, insbesondere Python, ist für den erfolgreichen Abschluss des Kurses unerlässlich.

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 sich für den Kurs einschreiben, erhalten Sie Zugang zu allen Kursen der Spezialisierung, und Sie erhalten ein Zertifikat, wenn Sie die Arbeit abgeschlossen haben. Ihr elektronisches Zertifikat wird Ihrer Seite "Leistungen" hinzugefügt - von dort aus können Sie Ihr Zertifikat ausdrucken oder Ihrem LinkedIn-Profil hinzufügen.