In diesem Modul lernen Sie die Grundlagen der Verwendung von Code zur Erstellung von Vorhersagen auf der Grundlage von Daten kennen. Nachdem Sie erfahren haben, was eine Vorhersage ist, lernen Sie, die Konzepte zu beschreiben, die prädiktiven Algorithmen im Kontext des K-Nearest-Neighbors (KNN)-Algorithmus für Klassifizierung und Regression zugrunde liegen. Darüber hinaus lernen Sie, die Genauigkeit eines prädiktiven Algorithmus zu bewerten, um seine Fähigkeit zur Generalisierung auf neue Daten zu beurteilen. Sie werden Ihre eigenen KNN Algorithmen zur Klassifizierung und Regression von Grund auf aufbauen und mit jedem von ihnen Vorhersagen machen. Am Ende dieses Moduls werden wir ein Quiz durchführen, um Ihnen die Möglichkeit zu geben, Ihr Verständnis von prädiktiven Algorithmen zu bewerten und über Ihre Erfahrungen bei der Implementierung Ihrer eigenen Algorithmen nachzudenken.

In diesem Modul lernen Sie, die Unterschiede zwischen Vorhersage und Inferenz, zwei Schlüsselkonzepte der Datenwissenschaft, zu beschreiben. Sie werden lernen, wie man lineare Regressionen - eines der nützlichsten Werkzeuge, die Datenwissenschaftlern für Inferenz und Vorhersage zur Verfügung stehen - und andere statistische Modelle in Python implementiert. Sie werden dieses Wissen anwenden, indem Sie einen Datensatz untersuchen und mehrere Variablen miteinander regressieren und die Erkenntnisse über ihre Beziehungen beschreiben.

In diesem Modul werden Sie die Konzepte und Fähigkeiten, die Sie im Laufe des Kurses entwickelt haben, zusammenführen, um ein Abschlussprojekt für Ihr Portfolio in Datenwissenschaft zu erstellen. Sie werden eine mittlerweile berühmte Datenvisualisierung nachstellen, die die Beziehung zwischen dem Einkommen der Länder und ihren Treibhausgasemissionen auf einer globalen Skala veranschaulicht. Zu diesem Zweck werden Sie 4 Datensätze untersuchen und vorbereiten und sie zu einem zusammengesetzten Datensatz zusammenführen, den Sie grafisch darstellen werden. Die Erstellung dieses zusammengefassten Datensatzes ist ein wichtiger Schritt, und Sie werden Ihren zusammengefassten Datensatz mit einem kurzen Quiz über die darin enthaltenen Erkenntnisse validieren. Das Endergebnis dieser Arbeit wird ein Diagramm in Publikationsqualität sein, das die Beziehung zwischen Emissionen und Einkommen überzeugend darstellt - eine eindrucksvolle Visualisierung, die Ihre wachsenden Programmierkenntnisse für Datenwissenschaft-Anwendungen unter Beweis stellt.