I recently started posting on medium.com. For the english version of the article follow this link (and follow me there, please):
https://medium.com/@michael_mertens/udacity-or-coursera-for-azure-machine-learning-certificates-e5514f66432b
In diesem Blogbeitrag vergleiche ich die Udacity- und die Coursera-Plattform anhand eines Beispiels, eines Azure Machine Learning-Abschlusses.
Beide Plattformen verfolgen das Konzept, Kurse in einem größeren Kontext zu verbinden und dabei ein wichtigeres Zertifikat zu vergeben als nur das Einzelkurszertifikat..
Es heißt „Nanodegree“ bei Udacity und „Professional Certificate“ bei Coursera.
(Werbung)
https://www.coursera.org/professional-certificates/azure-data-scientist
https://www.udacity.com/course/machine-learning-engineer-for-microsoft-azure-nanodegree–nd00333
In diesem speziellen Fall kommt eine dritte Zertifizierung zum Tragen: Microsoft Certified: Azure Data Scientist Associate. Die erforderliche Prüfung hat die Nummer DP-100.
https://docs.microsoft.com/en-us/learn/certifications/azure-data-scientist/
Tatsächlich ist das Coursera-Zertifikat sehr darauf ausgerichtet, sich auf die Microsoft-Prüfung vorzubereiten. Das Udacity-Zertifikat folgt nicht so streng der Liste der erforderlichen Fähigkeiten von Microsoft, aber dennoch schreibt Udacity: “This Nanodegree program will also help prepare students for Microsoft’s Exam DP-100: Designing and Implementing a Data Science Solution on Azure.”
Wichtigkeit / Relevanz der Zertifizierung
In diesem speziellen Fall ist meiner Meinung nach die Microsoft-Zertifizierung wichtiger als die anderen. Es kann als „das Original“ angesehen werden, da es um Microsoft Azure geht. Anders sieht es aus, wenn eine herstellerunabhängige Zertifizierung erreicht werden soll. Dann gilt es zu prüfen, wer der Partner der Lernplattform für ein Studium ist. Typischerweise sind dies Unternehmen oder Universitäten.
Es gibt Coursera-Kurse, die Sie in Stunden absolvieren können, und einige dauern Monate. Stellen Sie sicher, dass Sie in Ihrem Lebenslauf deutlich machen, dass Sie ein „Professional Certificate“ oder „Nanograduate“ absolviert haben und nicht nur einen einzelnen Kurs. Geben Sie die Anzahl der Monate an, die es gedauert hat (und stellen Sie sicher, dass es dem entspricht, was in den Kursen angegeben ist).

Bestandteile der Programme
Das Coursera-Zertifikat besteht aus 5 Kursen, die jeweils zwischen 3 und 6 Wochen dauern sollten::
- Create Machine Learning Models in Microsoft Azure
- Microsoft Azure Machine Learning for Data Scientists
- Build and Operate Machine Learning Solutions with Azure
- Perform data science with Azure Databricks
- Prepare for DP-100: Data Science on Microsoft Azure Exam
Das Udacity-Zertifikat ist etwas kürzer. Es gibt zwei Lernteile mit jeweils 4-6 Lektionen (Wochen) und einem Projekt am Ende jedes Teils, gefolgt von einem Abschlussprojekt:
- Welcome
- Using Azure Machine Learning (learning part including project)
- Machine Learning Operations (learning part including project)
- Capstone Project
Coursera Course 1 und 2 können als Einführung gesehen werden. Udacity nimmt an, dass man bereits erste Erfahrungen gesammelt hat oder die Einführung auf andere Art erhält.
Coursera Course 3 und 4 sind die Hauptthemen, vergleichbar mit Udacity 2 und 3.
Coursera Course 5 ist etwas Besonderes, da der Kurs von Microsoft genehmigte Testfragen für die Microsoft-Prüfung enthält. Sie sind sehr hilfreich für die Prüfung und Udacity hat kein Äquivalent dazu. Alternativ können Sie einen offiziellen Microsoft Exam Practice Test (www.mindhub.com) verwenden.
Udacity User Interface
Udacity bietet eine übersichtliche Benutzeroberfläche für das Nanodegree. Sie ist in zwei Ebenen unterteilt. Die erste Ebene ermöglicht die Auswahl des sog. Parts und zeigt die Lektionen mit dem Fertigstellungsgrad an.

Wählt man eine Lektion aus, so sieht man nächste Strukturebene: die sogenannten Konzepte. Es gibt keine technische Trennung in so etwas wie schriftliche Inhalte, Videos, Übungen und so weiter. Es ist alles gemischt. Die Beschriftung eines „Konzepts“ hilft manchmal (z.B. durch die Benennung “Übung“, diese Benennung erfolgt jedoch nicht strikt. Dadurch kann man nicht schnell nachsehen, welche Übungen es gibt und ob man sie gemacht hat.

Coursera User Interface
Das Coursera-Zertifikat besteht aus einzelnen Kursen, die keinen wirklichen Zusammenhang miteinander haben, abgesehen von einer einfachen Statusinformation, welche der Kurse Sie bereits absolviert haben und welche die aktuelle ist.

Auch innerhalb eines Kurses gibt es zwei Strukturierungsebenen. Sieht ähnlich aus wie Udacity, ist hier aber eigentlich eher nutzlos.
Während Udacity die folgenden Ebenen verwendet: Parts->Lektion, dann Lektion->Konzept->Inhalt, ist die Struktur von Coursera immer: Woche auf der linken Seite und dann entweder Beschreibung zum Hauptbereich oder zum Inhalt.

Wenn man in eine Woche hineinspringt, erhält man den Inhalt. Die Wochen sind immer noch auf der linken Seite, aber jetzt mit ihren Beschreibungen. Dadurch könnte der Inhalt, der im obigen Screenshot gezeigt wurde, auch im folgenden Screenshot links enthalten sein. Irgendwie umständlich …
Tatsächlich wurde die Benutzeroberfläche einige Tage, bevor ich diesen Blogeintrag schreibe, geändert. Als ich die Zertifizierung durchgeführt habe und jetzt während der Vorbereitung des Blog-Beitrags, zeigte die Benutzeroberfläche der obersten Ebene aus dem obigen Screenshot viel mehr Informationen. In diesem Zustand war das nützlich. Jetzt ist es nicht mehr so nützlich.

Coursera hat gegenüber Udacity einen Vorteil: Die Inhaltstypen sind technisch getrennt in Lesen, Video, Quiz und praktisches Quiz. Dies hilft, die Leistung zu überblicken. Die alte Benutzeroberfläche nutzte dieses Potenzial jedoch viel stärker aus.
Labor und Schulungsmaterial
Udacity stellt ein Lab zur Verfügung, das auf virtuellen Maschinen basiert, die in die Lerninhalte integriert werden. In dieser virtuellen Maschine wird ein Konto für Azure bereitgestellt und je nach Inhalt im jeweiligen Abschnitt einige Ressourcen vordefiniert. Ich hatte einige Probleme mit dem Lab, zum Beispiel wenn man einen Machine Learning Workspace erstellen sollte und die Berechtigungen dafür nicht ausreichten. Wahrscheinlich waren die Berechtigungen zum Zeitpunkt der Erstellung des Labors ausreichend, aber in der Zwischenzeit hat Microsoft weitere Voraussetzungen in den Prozess der Erstellung des Arbeitsbereichs eingefügt, die die erforderlichen Berechtigungen geändert haben. Zweitens ist das Udacity-Lab zeitlich begrenzt, sodass Sie nicht so lange arbeiten können, wie Sie möchten.
Coursera verfolgt einen anderen Ansatz: Sie verlinken auf Microsoft Learn, wo Microsoft Schulungsmaterial und auch eine virtuelle Laborumgebung bereitstellt. Die Materialien sind gut, aber das ist Microsofts Verdienst, nicht Couseras.
Udacity stellt ihre eigenen Trainingsskripte/-codes in Github zur Verfügung. Sie fördern die Verwendung von Github (oder sollte ich sagen erzwingen), indem sie das Hochladen endgültiger Projekte auf Github zur Pflicht machen. Das war anfangs etwas nervig, ist aber angesichts der enormen Relevanz von Github heute konsequent.
Dies geht noch weiter: Mit Udacity muss der Lernende auch einen Screencast für die Projekteingaben erstellen. Mir gefiel die Tatsache nicht, zu recherchieren, welche (kostenlose) Software es dafür gibt und wie sie funktioniert.
Mentoren
Beide Plattformen bieten Foren, in denen man Fragen stellen kann. Bei Udacity sind sie in „Mentor Help“ und „Peer Chat“ unterteilt. Wie der Name schon sagt, richtet Mentor Help die Frage direkt an jemanden aus dem Udacity-Team, der schnell weiterhilft. Mit einigen Antworten war ich nicht zufrieden, mit anderen sehr zufrieden. Die Mentoren begutachten auch die Projekteinreichungen, die Sie zu erledigen haben. Dies geschieht natürlich durch das Durchgehen einer sehr detaillierten Checkliste mit vordefinierten Textblöcken, die erklären, was zu tun ist, wenn Sie eine Anforderung nicht erfüllen. Aber wenigstens schaut sich ein Mensch die Dinge an. Man kann erneut einreichen, wenn es Probleme mit den Einreichungen gab und man diese gelöst hat.
Coursera verfolgt einen anderen Ansatz. Sie haben keine Trennung in Mentoren und Kollegen, also stellen Sie Ihre Frage einfach in einem Forum und erhalten möglicherweise eine Antwort von jemandem von Coursera oder von einem Lernenden. Das muss nichts Schlechtes sein, es gibt gute Lerner …
In dem Coursera-Kurs, um den es hier geht, gibt es keine Projekteinreichungen. Von anderen Coursera-Kursen kenne ich das Konzept der Peer-Assessments. Auch die Überprüfung / Benotung erfolgt also durch die Lernenden, nicht durch die Mentoren.
Conclusion
Im Resultat eignet sich Coursera besser für die reine Vorbereitung auf die Microsoft DP-100-Prüfung. Allerdings stellt sich aufgrund der starken Anbindung an die Microsoft Learn-Plattform die Frage, welchen Mehrwert Coursera für Microsoft bringt. Die speziellen Prüfungsfragen sind definitiv ein Mehrwert, sie werden nicht kostenlos von Microsoft zur Verfügung gestellt.
Bei Udacity geht es mehr um das Lernen für das wirkliche Leben. Gerade für die Microsoft Prüfungsvorbereitung ist es etwas in die Jahre gekommen, da sich die Prüfungsinhalte 2021 geändert haben und Udacity ihr Programm nicht entsprechend angepasst hat.
Die Benutzeroberflächen haben Vor- und Nachteile. Ich denke nicht, dass es einen klaren Gewinner gibt oder dass die Unterschiede für die Wahl der einen oder anderen Plattform relevant sein sollten.
Labor ist eine große und komplizierte Sache. Beide Plattformen laufen nicht sehr gut. Mein persönlicher Vorschlag ist, diese Labore überhaupt nicht zu benutzen. Wenn Sie eine komplexe On-Premises-Software lernen möchten, benötigen Sie ein Labor, in dem diese Software installiert ist. Aber hier sprechen wir von Azure. Man kann ein Azure-Konto erstellen und erhält 200 USD Startguthaben. Das reicht für den Inhalt dieses Kurses. Man ist unabhängig von den Lernplattformen oder Laboranbietern und kann seine Arbeit behalten (die verloren geht, wenn man ein Labor nutzt, das irgendwann schließt).

Appendix: Book “Azure Data Scientist Associate Certification Guide”
This article is abount online courses. So a book doesn’t really fit into it. However, it can complement the courses. Or maybe you come to the conclusion that you don’t need online courses and rather stick to the book?
Advertisement: Link to Amazon: https://amzn.to/3c3wEj9

The book has 415 pages with the following content:
Section 1: Starting your cloud-based data science journey
- Chapter 1: An Overview of Modern Data Science
- Chapter 2: Deploying Azure Machine Learning Workspace Resources
- Chapter 3: Azure Machine Learning Studio Components
- Chapter 4: Configuring the Workspace
Section 2: No code data science experimentation
- Chapter 5: Letting the Machines Do the Model Training
- Chapter 6: Visual Model Training and Publishing
Section 3: Advanced data science tooling and capabilities
- Chapter 7: The AzureML Python SDK
- Chapter 8: Experimenting with Python Code
- Chapter 9: Optimizing the ML Model
- Chapter 10: Understanding Model Results
- Chapter 11: Working with Pipelines
- Chapter 12: Operationalizing Models with Code
I liked the book and used it typically after watching a video regarding a topic. Reading seems to highlight more details – but this might different from individual to individual. Here a some examples of information which I marked with post-it-notes:
- naming conventions by the Azure Cloud Adoption Framework (https://docs.microsoft.com/en-us/azure/cloud-adoption-framework/)
- hints for the Azure Command Line Interface (page 46)
- …
And several tables like:

For better readability:
classification | regression | forecasting | |
algorithms | DecisionTree GradientBoosting KNN LightGBM LinearSVM LogisticRegression RandomForest SCD XGBoostClassifier | DecisionTree ElasticNet ExtremeRandomTrees FastLinearRegressor GradientBoosting KNN LassoLars LightGBM XGBoostRegressor | < All from regression> AutoArima Average ExponentialSmoothing Naive Prophet SeasonalAverage SeasonalNaive TCNForecaster |
metrics | accuracy AUC_weighted norm_macro_recall average_precision_score_weighted precisiomscore weighted | spearman_correlation r2 score normalized root_mean_squared_error normalized_mean_absolute error | spearman_correlation r2 score normalized root_mean_squared_error normalized_mean_absolute error |
Advertisement: Link to Amazon: https://amzn.to/3c3wEj9
Appendix: List of Coursera content by course
Course 1: Create Machine Learning Models in Microsoft Azure
- Explore data and create models to predict numeric values
- Train and evaluate classification and clustering models
- Train and evaluate deep learning models
Course 2: Microsoft Azure Machine Learning for Data Scientists
- Use Automated Machine Learning in Azure Machine Learning
- Create a Regression Model with Azure Machine Learning Designer
- Create a Classification Model with Azure AI
- Create a Clustering Model with Azure AI
Course 3: Build and Operate Machine Learning Solutions with Azure
- Use the Azure Machine Learning SDK to train a model
- Work with Data and Compute in Azure Machine Learning
- Orchestrate pipelines and deploy real-time machine learning services with Azure Machine Learning
- Deploy batch inference pipelines and tune hyperparameters with Azure Machine Learning
- Select models and protect sensitive data
- Monitor machine learning deployments
Course 4: Perform data science with Azure Databricks
- Introduction to Azure Databricks
- Working with data in Azure Databricks
- Processing data in Azure Databricks
- Get started with Databricks and machine learning
- Manage machine learning lifecycles and fine tune models
- Train a distributed neural network and serve models with Azure Machine Learning
Course 5: Prepare for DP-100: Data Science on Microsoft Azure Exam
- Prepare for the DP-100: Designing and implementing a Data Science Solution on Azure Exam
- Exam preparation – Course 1
- Exam preparation – Course 2
- Exam preparation – Course 3
- Exam preparation – Course 4
- Final Practice Exam
Appendix: List of Udacity content by part
Part 2: Using Azure Machine Learning
- Introduction to Azure ML
- Workspaces and the AzureML Studio
- Datastores and Datasets
- Training Models in Azure ML
- The Azure ML SDK
- Automated ML and Hyperparameter Tuning
- Optimizing an ML Pipeline in Azure
Part 3: Machine Learning Operations
- Introduction to Azure ML
- Deploy a Model
- Consume Endpoints
- Pipeline Automation
- Operationalizing Machine Learning
(Part 1 is pure welcome-intro, Part 4 is the capstone)
Appendix: Github Repositories
- Udacity Project of part 2 “Using Azure Machine Learning”:
GitHub – udacity/nd00333_AZMLND_Optimizing_a_Pipeline_in_Azure-Starter_Files - Udacity Project of part 3″Machine Learning Operations”:
GitHub – udacity/nd00333_AZMLND_C2 - Udacity Template for Capstone:
GitHub – udacity/nd00333-capstone - Microsoft Learn / Machine Learning Basis (fitting to Coursera courses 1 and 2:
GitHub – MicrosoftDocs/ml-basics: Exercise notebooks for Machine Learning modules on Microsoft Learn - Microsoft Learn / Files for DP090 (Databricks, also part of DP-100):
GitHub – MicrosoftLearning/dp-090-databricks-ml - Microsoft Learn / Files for DP100 (main repository for the Azure ML certification):
GitHub – MicrosoftLearning/mslearn-dp100: Lab files for Azure Machine Learning exercises - Companion Files of Book “Azure Data Scientist Associate Certification Guide”:
GitHub – PacktPublishing/Azure-Data-Scientist-Associate-Certification-Guide: Microsoft Certified: Azure Data Scientist Associate Certification Guide, published by Packt