IBM SPSS statistika. 5 lygis. Daugiamatė statistinė analizė – kursas 34 990 RUB. iš Specialistė, mokymai 32 ak. val., Data: 2023 m. rugsėjo 17 d.
įvairenybės / / December 05, 2023
Kurso metu nagrinėjami daugiamačiai statistiniai metodai, kurie taip pat priskiriami duomenų gavybos metodams. Šie metodai leidžia dideliuose duomenų kiekiuose rasti paslėptus ir neakivaizdžius modelius ir pagal šiuos modelius priimti valdymo sprendimus.
1 pokalbis. Įvadas
2 pokalbis. Trumpa SPSS istorija
3 pokalbis. Kam skirti SPSS kursai?
4 pokalbis. Specialisto SPSS kursų privalumai
5 pokalbis. Statistiniai duomenų analizės metodai naudojant IBM SPSS Statistics
6 pokalbis. Išplėstinė duomenų analizė naudojant IBM SPSS statistiką
7 pokalbis. Duomenų pateikimas IBM SPSS Statistics lentelėse
8 pokalbis. Atrankinių tyrimų atlikimas naudojant IBM SPSS Statistics modulį Complex Samples
9 pokalbis. Veiksmingi failų ir duomenų valdymo metodai IBM SPSS statistikoje
10 pokalbis. Išvada
Tu išmoksi:
- Atlikti klasterinę analizę įvairiais metodais
- Elgesio faktorių ir komponentų analizė
- Atlikti diskriminacinę analizę ir ja remiantis klasifikuoti
- Sukurkite sprendimų medžius ir juos analizuokite
- Sukurkite daugiamačius sklaidos modelius
Profesionalus mokytojas-praktikas, turintis didelę ir įvairią darbo patirtį, taip pat daugiau nei 10 metų dėstymo patirtį. Įtraukiamai, suprantamai paaiškina mokomąją medžiagą, remdamasis daugybe įdomių pavyzdžių iš savo praktikos. Ryškumas...
Profesionalus mokytojas-praktikas, turintis didelę ir įvairią darbo patirtį, taip pat daugiau nei 10 metų dėstymo patirtį. Įtraukiamai, suprantamai paaiškina mokomąją medžiagą, remdamasis daugybe įdomių pavyzdžių iš savo praktikos. Alinos Viktorovnos pristatymo ryškumas ir gyvumas padeda klausytojams greitai ir visapusiškai įsisavinti mokymo programą. Mokytojas išsamiai atsako į visus klausytojų klausimus ir atidžiai komentuoja analizuojamas situacijas.
Alina Viktorovna turi keletą aukštųjų išsilavinimų pagal specialybes „Informacinės technologijos“ ir „Ekonomistė“. Turi technikos mokslų kandidato akademinį laipsnį pramonės techninių procesų automatizavimo ir valdymo srityje. Dalyvavo kuriant lakštinio stiklo gamybos technologinio proceso automatizavimo statistinius modelius, projektuose apie procesų valdymo statistinių metodų diegimas automobilių pramonėje (pvz., AvtoVAZ, KamAZ, GAZ ir ir tt). Analizuoja Rusijos Federacijos regionų sveikatos priežiūros sistemą. Kaip analitikas dalyvauja projekte, skirtame moksleivių verslumo tendencijoms nustatyti.
Sukūrė daug edukacinių ir metodinių kompleksų, ne kartą dalyvavo kvalifikacinių darbų gynimo atestavimo komisijos darbe. 17 mokslinių darbų autorius, įskaitant mokslinius straipsnius Rusijos ir užsienio leidiniuose. Turi Vokietijos įmonės Q-DAS sertifikatą vesti specializuotus statistinių procesų valdymo mokymus BOSCH įmonei.
Alina Viktorovna nepriekaištingai valdo verslo procesų aprašymo metodikas, sistemų modeliavimą, statinius duomenų apdorojimo metodus ir IS projektavimo standartus. Savo pamokose ji pateikia įvairių darbo sričių pavyzdžių, kad medžiaga būtų vienodai suprantama skirtingų pramonės šakų mokiniams.
1 modulis. Klasterinė analizė ir jos taikymas (2 ak. h.)
- Daugiamatės klasifikacijos metodai
- Klasterinės analizės samprata ir taikymo sritys
- Klasterinės analizės užduotys
- Klasterinės analizės metodai
- Klasterinės analizės privalumai ir trūkumai
- Klasterinės analizės etapai
- Pradiniai duomenys klasterinei analizei
- Matuoja atstumą tarp objektų
- Klasifikavimo kokybės analizė
2 modulis. Hierarchinė klasterių analizė (4 ak. h.)
- Hierarchinės klasterinės analizės ypatumai
- Klasterinės analizės hierarchinių metodų algoritmas
- Matuoja atstumą tarp grupių
- Procedūrų atstumai
- Skirtumo matai
- Panašumo priemonės
- Procedūra Hierarchinė klasterių analizė
- Hierarchinės klasterinės analizės metodo pasirinkimas
- Hierarchinės klasterių analizės procedūros rezultatai
- Hierarchinės klasterinės analizės rezultatų grafinis pavaizdavimas
- Hierarchinės klasterių analizės procedūros statistikos nustatymas
- Naujų kintamųjų išsaugojimas
3 modulis. Klasifikavimas naudojant k-means metodą (2 ac. h.)
- K-means metodo esmė ir ypatumai
- K-means metodo algoritmas
- Procedūra Klasterinė analizė naudojant k-means metodą
- Procedūros rezultatai Klasterinė analizė naudojant k-means metodą
- Iteracijų skaičiaus nustatymas
- Papildomų parametrų nustatymas
- papildomų nustatymų rodymo rezultatai
- Naujų kintamųjų išsaugojimas
- Grafinis rezultatų pateikimas
4 modulis. Dviejų etapų klasterinė analizė (4 ak. h.)
- Dviejų etapų klasterinės analizės ypatumai
- Būtinos dviejų etapų klasterinės analizės sąlygos
- Dviejų etapų klasterinės analizės algoritmas
- Procedūra Dviejų etapų klasterių analizė
- Modelio rezultatų suvestinė
- Klasterio struktūros įvertinimas
- Peržiūrėkite informaciją apie grupes
- Rodyti informaciją apie grupes
- Išėjimo valdymas
- Dviejų etapų klasterių analizės procedūros išvestis
- Papildomas Cluster Viewer skydelis
- Stebėjimų atranka pagal grupes
- Dviejų etapų klasterinės analizės procedūros parametrai
5 modulis. Matmenų mažinimo metodai: faktorių ir komponentų analizė (4 ak. h.)
- Faktorinės analizės samprata
- Faktorinės analizės tikslas ir uždaviniai
- Faktorinės analizės etapai
- Būtinos sąlygos naudoti faktorinę analizę
- Komponentų analizės algoritmas
- Veiksnių analizės algoritmas
- Veiksnių ir komponentų analizės palyginimas
- Būtinos sąlygos naudoti faktorių ir komponentų analizę
- Procedūros faktorių analizė
- Faktorių analizės procedūros rezultatai
- Veiksnių atrankos taisyklės
- Faktinės analizės metodo pasirinkimas
- Faktorių sukimosi problema
- Veiksnių sukimosi reguliavimas
- Faktorinės analizės procedūros parametrai
- Aprašomosios statistikos išvestis
- Išsaugokite faktorių reikšmes
6 modulis. Atsakymu pagrįsta klasifikacija: diskriminacinė analizė (4 ak. h.)
- Segmentavimas pagal atsakymus
- Atsaku pagrįsti segmentavimo metodai
- Pradiniai duomenys diskriminantinei analizei
- Diskriminacinės analizės ir logistinės regresijos panašumai
- Skirtumai tarp diskriminacinės analizės ir logistinės regresijos
- Diskriminacinės analizės tikslas ir uždaviniai
- Diskriminacinės analizės prielaidos
- Diskriminacinės analizės etapai
- Diskriminacinės analizės metodai
– Pradiniai duomenys
- Tiesinės diskriminacinės analizės modelis
- Procedūra Diskriminacinė analizė
- Diskriminacinės analizės procedūros rezultatai
- Diskriminacinės analizės procedūros statistika
- Laipsniškos atrankos metodas Diskriminacinė analizė
- Klasifikavimas remiantis diskriminacinės analizės rezultatais
- Klasifikavimo statistika
- Naujų kintamųjų išsaugojimas
7 modulis. Daugiamatė dispersinė analizė (4 ak. h.)
- Daugiamatė dispersinė analizė
- OLM daugiamatės procedūros parametrų nustatymas
- Pagrindiniai daugiamatės dispersinės analizės rezultatai
- ANOVA su pakartotinėmis priemonėmis
- GLM procedūra - pakartotiniai matavimai
- OLM kartotinių matavimų procedūros parametrų nustatymas
8 modulis. Klasifikavimo modeliai, pagrįsti sprendimų medžiais (8 ac. h.)
- Sprendimų medžio konstravimo metodo esmė
- Sprendimų medžio taikymo sritys
- Sprendimų medžio metodo naudojimo savybės ir prielaidos
- Sprendimų medžio konstravimo metodai
- Sprendimų medžio konstravimo metodų palyginimas
- Procedūrų klasifikavimo medžiai
- Sprendimų medžių aiškinimas ir tyrimas
- Modelio tinkamumo tikrinimas
- Klasifikavimo medžių procedūros išvesties pritaikymas
- Klasifikavimo medžių procedūros nustatymai ir parametrai
- Stebėjimų klasifikavimo taisyklės
- Kriterijai klasifikavimo medžių procedūroje
- Regresijos sprendimų medžiai
- Regresijos sprendimų medžių kūrimas