IBM SPSS Statistics. Уровень 5. Многомерный статистический анализ

4.2

32 ак. ч.

Сложность

Продвинутый

Тип обучения

Курс

Формат обучения

С проверкой домашнего задания

Трудоустройство

Содействие

Сертификат

Да

Стоимость курса

34 990 ₽

есть рассрочка

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.

Подкасты по курсам SPSS:

Беседа 1. Вступление
Беседа 2. Краткая история программы SPSS
Беседа 3. Для кого курсы SPSS
Беседа 4. Преимущества курсов SPSS в Специалисте
Беседа 5. Статистические методы анализа данных с помощью IBM SPSS Statistics
Беседа 6. Углубленные методы анализа данных с помощью IBM SPSS Statistics
Беседа 7. Представление данных в таблицах в IBM SPSS Statistics
Беседа 8. Проведение выборочных обследований с помощью модуля Сложные выборки IBM SPSS Statistics
Беседа 9. Эффективные приемы управления файлами и данными в IBM SPSS Statistics
Беседа 10. Заключение

Вы научитесь:
- 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

Что вы получите после обучения

Приобретаемые навыки

Кластерный анализ и его применение

Факторный и компонентный анализ

Классификация на основе откликов:

Многомерный дисперсионный анализ

Строить деревья решений и анализировать их

Сертификат, ссылками на который можно делиться с другими людьми

Вас будут обучать

Мокляченко Алина Викторовна

курса

Профессиональный преподаватель-практик c большим и разносторонним опытом работы, а также более чем 10-летним опытом преподавания. Объясняет учебный материал увлекательно, доходчиво и с использованием множества интересных примеров из собственной практики. Яркость и живость изложения Алины Викторовны помогают слушателям быстро и в полном объёме усваивать учебную программу. Преподаватель подробно отвечает на все возникающие вопросы аудитории и тщательно комментирует разбираемые ситуации.
Алина Викторовна имеет несколько высших образований по специальностям «Информационные технологии» и «Экономист». Обладает учёной степенью кандидата технических наук в области автоматизации и управления техпроцессами в промышленности. Участвовала в разработке статистических моделей автоматизации технологического процесса производства листового стекла, в проектах по внедрению статистических методов управления процессами в автомобильной промышленности (на таких заводах как Автоваз, Камаз, ГАЗ и др.). Занимается анализом системы здравоохранения регионов РФ. Принимает участие в проекте по выявлению склонности к предпринимательству у школьников в качестве аналитика.
Разработала множество учебно-методических комплексов, неоднократно принимала участие в работе аттестационной комиссии по защите квалификационных работ. Автор 17 научных работ, включая научные статьи в российских и зарубежных изданиях. Имеет в наличии сертификат от немецкой компании Q-DAS на проведение специализированных тренингов по статистическому управлению процессами для компании БОШ.
Алина Викторовна безупречно владеет методологиями описания бизнес-процессов, моделирования систем, статическими методами обработки данных и стандартами проектирования ИС. На своих занятиях она приводит примеры из разных рабочих сфер, чтобы материал был одинаково понятен слушателям из различных отраслей.

Образовательная организация

Специалист

4.1

655 отзывов

Ведущий компьютерный учебный центр России с высочайшим уровнем качества обучения, сервиса и организации учебного процесса
Лучший учебный центр авторизованный Microsoft в России, Центральной и Восточной Европе в 2011-2014 гг
Центр «Специалист» — первый в России авторизованный учебный центр по обучению Adobe — Adobe Authorised Training Centre
Крупнейший авторизованный учебный центр ведущих IT-компаний мира
С 2012 г. Центр «Специалист» входит в «Круг совершенства EC-Council»

Программа курса

Модуль 1. Кластерный анализ и его применение (2 ак. ч.)

- 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 2. Иерархический кластерный анализ (4 ак. ч.)

- 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 3. Классификация методом k-средних (2 ак. ч.)

- 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 4. Двухэтапный кластерный анализ (4 ак. ч.)

- 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 5. Методы снижения размерности: факторный и компонентный анализ (4 ак. ч.)

- 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 6. Классификация на основе откликов: дискриминантный анализ (4 ак. ч.)

- 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 7. Многомерный дисперсионный анализ (4 ак. ч.)

- Многомерный дисперсионный анализ
- 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

Модуль 8. Модели классификации на основе дерева решений (8 ак. ч.)

- 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