IBM SPSS Statistics. Level 3. Multidimensional statistical analysis.
В курсе разбираются многомерные статистические методы, которые также относят к методам добычи знаний (data mining). Эти методы позволяют находить скрытые и неочевидные закономерности в больших массивах данных и принимать на основе этих закономерностей управленческие решения.
По окончании курса Вы будете уметь:
Специалисты, обладающие этими знаниями и навыками, в настоящее время крайне востребованы. Большинство выпускников наших курсов делают успешную карьеру и пользуются уважением работодателей.
- Проводить кластерный анализ различными методами
- Проводить факторный и компонентный анализ
- Проводить дискриминантный анализ и классификацию на его основе
- Строить деревья решений и анализировать их
- Строить многомерные дисперсионные модели
Продолжительность курса - 32 ак. ч.
Модуль 1. Кластерный анализ и его применение
Модуль 2. Иерархический кластерный анализ
- Многомерные методы классификации
- Понятие и области применения кластерного анализа
- Задачи кластерного анализа
- Методы кластерного анализа
- Преимущества и недостатки кластерного анализа
- Этапы кластерного анализа
- Исходные данные для кластерного анализа
- Меры расстояния между объектами
- Анализ качества классификации
Модуль 3. Классификация методом k-средних
- Особенности иерархического кластерного анализа
- Алгоритм иерархических методов кластерного анализа
- Меры расстояния между кластерами
- Процедура Расстояния
- Меры различия
- Меры сходства
- Процедура Иерархический кластерный анализ
- Выбор метода иерархического кластерного анализа
- Результаты процедуры Иерархический кластерный анализ
- Графическое представление результатов иерархического кластерного анализа
- Настройка статистик процедуры Иерархический кластерный анализ
- Сохранение новых переменных
Модуль 4. Двухэтапный кластерный анализ
- Сущность и особенности метода k-средних
- Алгоритм метода k-средних
- Процедура Кластерный анализ методом k-средних
- Результаты процедуры Кластерный анализ методом k-средних
- Настройка количества итераций
- Настройка дополнительных параметров
- Результаты вывода дополнительных настроек
- Сохранение новых переменных
- Графическое представление результатов
Модуль 5. Методы снижения размерности: факторный и компонентный анализ
- Особенности двухэтапного кластерного анализа
- Предпосылки двухэтапного кластерного анализа
- Алгоритм двухэтапного кластерного анализа
- Процедура Двухэтапный кластерный анализ
- Сводка результатов модели
- Оценка кластерной структуры
- Просмотр информации о кластерах
- Вывод информации по кластерам
- Управление выводом
- Вывод процедуры Двухэтапный кластерный анализ
- Дополнительная панель средства просмотра кластеров
- Отбор наблюдений по кластерам
- Параметры процедуры Двухэтапный кластерный анализ
Модуль 6. Классификация на основе откликов: дискриминантный анализ
- Понятие факторного анализа
- Цель и задачи факторного анализа
- Этапы факторного анализа
- Предпосылки применения факторного анализа
- Алгоритм компонентного анализа
- Алгоритм факторного анализа
- Сравнение факторного и компонентного анализов
- Предпосылки применения факторного и компонентного анализов
- Процедура Факторный анализ
- Результаты процедуры Факторный анализ
- Правила отбора факторов
- Выбор метода факторного анализа
- Проблема вращения факторов
- Настройка вращения факторов
- Параметры процедуры Факторной анализ
- Вывод описательных статистик
- Сохранение значений факторов
Модуль 7. Многомерный дисперсионный анализ
- Сегментация на основе откликов
- Методы сегментации на основе откликов
- Исходные данные для дискриминантного анализа
- Сходства дискриминантного анализа и логистической регрессии
- Различия дискриминантного анализа и логистической регрессии
- Цель и задачи дискриминантного анализа
- Предпосылки дискриминантного анализа
- Этапы дискриминантного анализа
- Методы дискриминантного анализа
- Исходные данные
- Линейная модель дискриминантного анализа
- Процедура Дискриминантный анализ
- Результаты процедуры Дискриминантный анализ
- Статистики процедуры Дискриминантный анализ
- Метод пошагового отбора процедуры Дискриминантный анализ
- Классификация на основе результатов дискриминантного анализа
- Классификационные статистики
- Сохранение новых переменных
Модуль 8. Модели классификации на основе дерева решений
- Многомерный дисперсионный анализ
- Процедура ОЛМ-многомерная
- Настройка параметров процедуры ОЛМ-многомерная
- Основные результаты многомерного дисперсионного анализа
- Дисперсионный анализ с повторными измерениями
- Процедура ОЛМ-повторные измерения
- Настройка параметров процедуры ОЛМ-повторные измерения
- Суть метода построения дерева решений
- Области применения дерева решений
- Особенности и предпосылки применения метода дерева решений
- Методы построения дерева решений
- Сравнение методов построения дерева решений
- Процедура Деревья классификации
- Интерпретация и исследование дерева решений
- Проверка адекватности модели
- Настройка вывода в процедуре Деревья классификации
- Настройки и параметры процедуры Деревья классификации
- Правила для классификации наблюдений
- Критерии в процедуре Деревья классификации
- Регрессионные деревья решений
- Построение регрессионных деревьев решений
Цена: 22350р.
Следующий поток 20.01.2021 - 29.01.2021г.
Последнее редактирование модератором:
- Статус
- В этой теме нельзя размещать новые ответы.