Willkommen bei Data Analytics Foundations for Accountancy II! Ich freue mich, Sie in diesem Kurs zu haben und bin gespannt auf Ihre Beiträge zur Lerngemeinschaft. Zu Beginn empfehle ich Ihnen, sich ein paar Minuten Zeit zu nehmen, um die Kurs-Website zu erkunden. Sehen Sie sich das Material an, das wir jede Woche behandeln werden, und sehen Sie sich die Aufgaben an, die Sie erledigen müssen, um den Kurs zu bestehen. Klicken Sie auf Diskussionen, um die Foren aufzurufen, in denen Sie das Kursmaterial mit anderen Kursteilnehmern diskutieren können. Wenn Sie Fragen zum Kursinhalt haben, stellen Sie diese bitte in den Foren, um Hilfe von anderen Kursteilnehmern zu erhalten. Bei technischen Problemen mit der Coursera-Plattform besuchen Sie das Learner Help Center. Ich wünsche Ihnen viel Glück beim Einstieg und viel Spaß mit dem Kurs!
Grundlagen der Datenanalyse für die Buchhaltung II
Dozent: Robert J. Brunner
3.726 bereits angemeldet
Bei enthalten
(11 Bewertungen)
Wichtige Details
Zu Ihrem LinkedIn-Profil hinzufügen
9 Quizzes
Erfahren Sie, wie Mitarbeiter führender Unternehmen gefragte Kompetenzen erwerben.
Erwerben Sie ein Karrierezertifikat.
Fügen Sie diese Qualifikation zur Ihrem LinkedIn-Profil oder Ihrem Lebenslauf hinzu.
Teilen Sie es in den sozialen Medien und in Ihrer Leistungsbeurteilung.
In diesem Kurs gibt es 9 Module
Sie werden mit dem Kurs, Ihren Klassenkameraden und unserer Lernumgebung vertraut gemacht. Die Orientierung wird Ihnen auch helfen, die für den Kurs erforderlichen technischen Kenntnisse zu erwerben.
Das ist alles enthalten
3 Videos5 Lektüren1 Quiz1 Diskussionsthema
Dieses Modul bildet die Grundlage für den Rest des Kurses, indem es die grundlegenden Konzepte des maschinellen Lernens vorstellt und insbesondere zeigt, wie maschinelles Lernen mit Python und dem scikit learn Modul für maschinelles Lernen durchgeführt wird. Zunächst erfahren Sie, wie maschinelles Lernen und künstliche Intelligenz die Wirtschaft verändern. Als nächstes lernen Sie die Grundtypen des maschinellen Lernens kennen und erfahren, wie Sie diese Algorithmen in einem Python-Skript nutzen können. Drittens lernen Sie, wie die lineare Regression als ein Problem des maschinellen Lernens mit Parametern betrachtet werden kann, die rechnerisch durch Minimierung einer Kostenfunktion bestimmt werden müssen. Schließlich lernen Sie nachbarschaftsbasierte Algorithmen kennen, darunter den k-nearest neighbor Algorithmus, der sowohl für Klassifizierungs- als auch für Regressionsaufgaben verwendet werden kann.
Das ist alles enthalten
4 Videos3 Lektüren1 Quiz1 Programmieraufgabe4 Unbewertete Labore
In diesem Modul werden einige der wichtigsten Algorithmen für maschinelles Lernen vorgestellt: logistische Regression, Entscheidungsbäume und Support Vector Machine. Von diesen drei Algorithmen ist der erste, die logistische Regression, ein Klassifizierungsalgorithmus (trotz seines Namens). Die anderen beiden können jedoch entweder für Klassifizierungs- oder Regressionsaufgaben verwendet werden. Daher wird in diesem Modul das Konzept der maschinellen Klassifizierung vertieft, bei dem Algorithmen aus vorhandenen, markierten Daten lernen, um neue, ungesehene Daten in bestimmte Kategorien zu klassifizieren, und das Konzept der maschinellen Regression, bei dem Algorithmen aus Daten ein Modell lernen, um Vorhersagen für neue, ungesehene Daten zu treffen. Diese Algorithmen unterscheiden sich zwar in ihren mathematischen Grundlagen, werden aber häufig zur Klassifizierung von Zahlen-, Text- und Bilddaten oder zur Durchführung von Regressionen in einer Vielzahl von Bereichen eingesetzt. In diesem Modul werden auch verschiedene Techniken zur Quantifizierung der Leistung von Klassifizierungs- und Regressionsalgorithmen sowie der Umgang mit unausgewogenen Trainingsdaten behandelt.
Das ist alles enthalten
5 Videos4 Lektüren1 Quiz1 Programmieraufgabe4 Unbewertete Labore
Dieses Modul führt Sie in mehrere wichtige und praktische Konzepte des maschinellen Lernens ein. Zunächst lernen Sie die Herausforderungen kennen, die mit der Anwendung der Datenanalyse (und insbesondere des maschinellen Lernens) auf reale Datensätze verbunden sind. Außerdem werden verschiedene Methoden vorgestellt, die Ihnen in Zukunft begegnen könnten und die vorgeben, wie Sie Datenanalyselösungen angehen, angehen und einsetzen müssen. Als Nächstes lernen Sie eine leistungsstarke Technik kennen, mit der Sie die Vorhersagen vieler schwacher Lerner kombinieren können, um eine bessere Vorhersage zu treffen - ein Prozess, der als Ensemble-Lernen bekannt ist. In diesem Modul werden insbesondere zwei der beliebtesten Ensemble-Learning-Techniken vorgestellt: Bagging und Boosting, und es wird demonstriert, wie sie in einem Python-Skript zur Datenanalyse eingesetzt werden können. Schließlich wird das Konzept einer Pipeline für maschinelles Lernen vorgestellt, das den Prozess der Erstellung, des Einsatzes und der Wiederverwendung von Modellen für maschinelles Lernen umschließt.
Das ist alles enthalten
5 Videos3 Lektüren1 Quiz1 Programmieraufgabe4 Unbewertete Labore
In diesem Modul werden das Konzept der Regularisierung, die Probleme, die sie bei Analysen des maschinellen Lernens verursachen kann, und Techniken zu ihrer Überwindung vorgestellt. Zunächst wird das grundlegende Konzept der Überanpassung vorgestellt, und es wird erläutert, wie Sie dieses Problem erkennen können. Als nächstes wird die Technik der Kreuzvalidierung vorgestellt, mit der die Wahrscheinlichkeit einer Überanpassung verringert werden kann. Als nächstes wird die Verwendung der Kreuzvalidierung zur Ermittlung der optimalen Parameter für einen Algorithmus für maschinelles Lernen, der auf einem bestimmten Datensatz trainiert wurde, vorgestellt. Schließlich wird das Konzept der Regularisierung vorgestellt, bei dem ein zusätzlicher Strafterm bei der Bestimmung der besten Parameter für das Modell des maschinellen Lernens angewendet wird, und für verschiedene Regressions- und Klassifikationsalgorithmen demonstriert.
Das ist alles enthalten
5 Videos4 Lektüren1 Quiz1 Programmieraufgabe4 Unbewertete Labore
In diesem Modul werden zunächst praktische Workflows für maschinelles Lernen besprochen, die in Produktionsumgebungen eingesetzt werden. Als nächstes werden in diesem Modul zwei weitere grundlegende Algorithmen vorgestellt: Naive Bayes und Gaußsche Prozesse. Diese Algorithmen haben beide ihre Grundlagen in der Wahrscheinlichkeitstheorie, arbeiten aber unter sehr unterschiedlichen Annahmen. Naive Bayes wird im Allgemeinen für Klassifizierungsaufgaben verwendet, während Gaußsche Prozesse im Allgemeinen für Regressionsaufgaben eingesetzt werden. In diesem Modul werden auch praktische Fragen bei der Erstellung von Workflows für maschinelles Lernen erörtert.
Das ist alles enthalten
4 Videos4 Lektüren1 Quiz1 Programmieraufgabe3 Unbewertete Labore
Dieses Modul führt in ein wichtiges Konzept des maschinellen Lernens ein, nämlich die Auswahl der tatsächlichen Merkmale, die von einem Algorithmus für maschinelles Lernen verwendet werden sollen. Zusammen mit der Datenbereinigung ist dieser Schritt im Prozess der Datenanalyse extrem wichtig, wird aber als Methode zur Verbesserung der Gesamtleistung einer Analyse oft übersehen. Dieses Modul beginnt mit einer Diskussion über Ethik beim maschinellen Lernen, vor allem weil die Auswahl von Merkmalen (manchmal) nicht offensichtliche Auswirkungen auf die endgültige Leistung eines Algorithmus haben kann. Dies kann wichtig sein, wenn maschinelles Lernen auf Daten in einer regulierten Branche angewendet wird oder wenn die unsachgemäße Anwendung eines Algorithmus zu Diskriminierung führen könnte. Im weiteren Verlauf dieses Moduls werden verschiedene Techniken vorgestellt, um entweder die besten Merkmale in einem Datensatz auszuwählen oder neue Merkmale aus dem vorhandenen Satz von Merkmalen zu konstruieren.
Das ist alles enthalten
5 Videos4 Lektüren1 Quiz1 Programmieraufgabe4 Unbewertete Labore
In diesem Modul wird das Clustering vorgestellt, bei dem Datenpunkte auf der Grundlage einer bestimmten Eigenschaft, z. B. dem räumlichen Abstand oder der lokalen Dichte von Punkten, größeren Gruppen von Punkten zugeordnet werden. Während Menschen Cluster in gegebenen Datensätzen oft mit Leichtigkeit visuell finden, ist das Problem rechnerisch eine größere Herausforderung. In diesem Modul werden zunächst die grundlegenden Ideen, die hinter dieser unüberwachten Lerntechnik stehen, sowie die verschiedenen Bereiche, in denen Clustering von Unternehmen eingesetzt werden kann, untersucht. Als nächstes wird eine der beliebtesten Clustering-Techniken, K-means, vorgestellt. Danach wird die dichtebasierte DB-SCAN-Technik vorgestellt. Dieses Modul schließt mit einer Einführung in die Technik der Mischmodelle für die probabilistische Zuordnung von Punkten zu Clustern.
Das ist alles enthalten
5 Videos5 Lektüren1 Quiz1 Programmieraufgabe4 Unbewertete Labore
In diesem Modul werden das Konzept der Anomalie oder des Ausreißers und verschiedene Techniken zur Erkennung dieser ungewöhnlichen Datenpunkte vorgestellt. Zunächst wird das allgemeine Konzept einer Anomalie erörtert und anhand der Aufdeckung von Betrug in der Wirtschaft demonstriert, der im Vergleich zu normalen Kunden oder Vorgängen im Allgemeinen eine Anomalie darstellen sollte. Als nächstes werden statistische Techniken zur Identifizierung von Ausreißern vorgestellt, bei denen es sich oft um einfache deskriptive Statistiken handelt, die Daten hervorheben können, die weit genug von der Norm für einen bestimmten Datensatz abweichen. Schließlich werden Techniken des maschinellen Lernens besprochen, die entweder Ausreißer klassifizieren oder Punkte in Bereichen mit geringer Dichte (oder außerhalb normaler Cluster) als potenzielle Ausreißer identifizieren können.
Das ist alles enthalten
4 Videos4 Lektüren1 Quiz1 Programmieraufgabe3 Unbewertete Labore1 Plug-in
Dozent
Empfohlen, wenn Sie sich für Business Essentials interessieren
Corporate Finance Institute
Rutgers the State University of New Jersey
Warum entscheiden sich Menschen für Coursera für ihre Karriere?
Bewertungen von Lernenden
11 Bewertungen
- 5 stars
81,81 %
- 4 stars
0 %
- 3 stars
9,09 %
- 2 stars
0 %
- 1 star
9,09 %
Zeigt 3 von 11 an
Geprüft am 22. Juni 2019
I like this course. Because it is very useful to accounting and auditing .
Neue Karrieremöglichkeiten mit Coursera Plus
Unbegrenzter Zugang zu 10,000+ Weltklasse-Kursen, praktischen Projekten und berufsqualifizierenden Zertifikatsprogrammen - alles in Ihrem Abonnement enthalten
Bringen Sie Ihre Karriere mit einem Online-Abschluss voran.
Erwerben Sie einen Abschluss von erstklassigen Universitäten – 100 % online
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.
Häufig gestellte Fragen
Der Zugang zu Vorlesungen und Aufgaben hängt von der Art Ihrer Einschreibung ab. Wenn Sie einen Kurs im Prüfungsmodus belegen, können Sie die meisten Kursmaterialien kostenlos einsehen. Um auf benotete Aufgaben zuzugreifen und ein Zertifikat zu erwerben, müssen Sie die Zertifikatserfahrung während oder nach Ihrer Prüfung erwerben. Wenn Sie die Prüfungsoption nicht sehen:
Der Kurs bietet möglicherweise keine Prüfungsoption. Sie können stattdessen eine kostenlose Testversion ausprobieren oder finanzielle Unterstützung beantragen.
Der Kurs bietet möglicherweise stattdessen die Option 'Vollständiger Kurs, kein Zertifikat'. 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. Wenn Sie die Kursinhalte nur lesen und ansehen möchten, können Sie den Kurs kostenlos besuchen.
Sie haben Anspruch auf eine vollständige Rückerstattung bis zwei Wochen nach Ihrem Zahlungsdatum oder (bei Kursen, die gerade erst begonnen haben) bis zwei Wochen nach Beginn der ersten Sitzung des Kurses, je nachdem, welcher Zeitpunkt später liegt. Sie können keine Rückerstattung erhalten, sobald Sie ein Kurszertifikat erworben haben, auch wenn Sie den Kurs innerhalb der zweiwöchigen Rückerstattungsfrist abschließen. Siehe unsere vollständigen Rückerstattungsbedingungen.