Статистика на IBM SPSS. Ниво 5. Многовариантен статистически анализ - курс 34 990 рубли. от Специалист, обучение 32 ак. ч., Дата: 17 септември 2023 г.
разни / / December 05, 2023
Курсът разглежда многовариантни статистически методи, които също се класифицират като методи за извличане на данни. Тези методи правят възможно намирането на скрити и неочевидни модели в големи количества данни и вземането на управленски решения въз основа на тези модели.
Разговор 1. Въведение
Разговор 2. Кратка история на SPSS
Разговор 3. За кого са предназначени курсовете по SPSS?
Разговор 4. Предимства на курсовете по SPSS в Specialist
Разговор 5. Статистически методи за анализ на данни с помощта на IBM SPSS Statistics
Разговор 6. Разширен анализ на данни с IBM SPSS Statistics
Разговор 7. Представяне на данни в таблици в IBM SPSS Statistics
Разговор 8. Провеждане на извадкови проучвания с помощта на модула Complex Samples на IBM SPSS Statistics
Разговор 9. Ефективни техники за управление на файлове и данни в IBM SPSS Statistics
Разговор 10. Заключение
Ще се научиш:
- Провеждане на клъстерен анализ чрез различни методи
- Провеждане на факторен и компонентен анализ
- Провеждане на дискриминантен анализ и класификация въз основа на него
- Изградете дървета на решенията и ги анализирайте
- Изграждане на многомерни дисперсионни модели
Професионален учител-практик с богат и разнообразен трудов опит, както и повече от 10 години преподавателски опит. Обяснява учебния материал по увлекателен, разбираем начин, като използва много интересни примери от собствената си практика. Яркост...
Професионален учител-практик с богат и разнообразен трудов опит, както и повече от 10 години преподавателски опит. Обяснява учебния материал по увлекателен, разбираем начин, като използва много интересни примери от собствената си практика. Яркостта и живостта на презентацията на Алина Викторовна помага на слушателите бързо и напълно да усвоят учебната програма. Преподавателят отговаря подробно на всички въпроси, които възникват от публиката и внимателно коментира анализираните ситуации.
Алина Викторовна има няколко висши образования по специалностите „Информационни технологии“ и „Икономист“. Притежава научна степен кандидат на техническите науки в областта на автоматизацията и управлението на техническите процеси в промишлеността. Участвал в разработването на статистически модели за автоматизация на технологичния процес на производство на листово стъкло, в проекти по прилагане на статистически методи за контрол на процесите в автомобилната индустрия (в заводи като АвтоВАЗ, КамАЗ, ГАЗ и и т.н.). Анализира здравната система на регионите на Руската федерация. Участва в проект за идентифициране на предприемаческите тенденции сред учениците като анализатор.
Разработила е много учебно-методически комплекси, многократно е участвала в работата на сертификационната комисия за защита на квалификационни работи. Автор на 17 научни труда, включително научни статии в руски и чуждестранни издания. Притежава сертификат от немската фирма Q-DAS за провеждане на специализирано обучение по статистическо управление на процеси на фирма BOSCH.
Алина Викторовна владее безупречно методологии за описание на бизнес процеси, системно моделиране, статични методи за обработка на данни и стандарти за проектиране на ИС. В часовете си тя дава примери от различни области на работа, така че материалът да е еднакво разбираем за студенти от различни индустрии.
Модул 1. Клъстерен анализ и неговото приложение (2 ак. з.)
- Методи за многомерна класификация
- Концепция и области на приложение на клъстерния анализ
- Задачи за клъстерен анализ
- Методи за клъстерен анализ
- Предимства и недостатъци на клъстерния анализ
- Етапи на клъстерния анализ
- Изходни данни за клъстерен анализ
- Измерва разстоянието между обектите
- Анализ на качеството на класификацията
Модул 2. Йерархичен клъстерен анализ (4 ак. з.)
- Характеристики на йерархичния клъстерен анализ
- Алгоритъм на йерархичните методи за клъстерен анализ
- Измерва разстоянието между клъстерите
- Процедурни разстояния
- Мерки за разлика
- Мерки за подобие
- Процедура Йерархичен клъстерен анализ
- Избор на метод за йерархичен клъстерен анализ
- Резултати от процедурата за йерархичен клъстерен анализ
- Графично представяне на резултатите от йерархичен клъстър анализ
- Настройка на статистика за процедурата за йерархичен клъстерен анализ
- Запазване на нови променливи
Модул 3. Класификация с помощта на метода на k-средните (2 ac. з.)
- Същност и особености на метода на k-средните
- Алгоритъм на метода на k-средните
- Процедура Клъстерен анализ с помощта на метода на k-средните
- Резултати от процедурата Клъстерен анализ по метода на k-средните
- Задаване на броя повторения
- Настройка на допълнителни параметри
- Резултати от показване на допълнителни настройки
- Запазване на нови променливи
- Графично представяне на резултатите
Модул 4. Двуетапен клъстерен анализ (4 ac. з.)
- Характеристики на двуетапния клъстерен анализ
- Предпоставки за двуетапен клъстерен анализ
- Алгоритъм за двуетапен клъстерен анализ
- Процедура Двуетапен клъстерен анализ
- Обобщение на резултатите от модела
- Оценка на клъстерната структура
- Преглед на информация за клъстери
- Показване на информация за клъстери
- Контрол на изхода
- Резултат от процедурата за двуетапен клъстерен анализ
- Допълнителен панел за преглед на клъстери
- Избор на наблюдения по клъстери
- Параметри на процедурата за двуетапен клъстерен анализ
Модул 5. Методи за намаляване на размерността: факторен и компонентен анализ (4 ac. з.)
- Понятието факторен анализ
- Цел и задачи на факторния анализ
- Етапи на факторния анализ
- Предпоставки за използване на факторния анализ
- Алгоритъм за анализ на компоненти
- Алгоритъм за факторен анализ
- Сравнение на факторни и компонентни анализи
- Предпоставки за използване на факторен и компонентен анализ
- Процедура Факторен анализ
- Резултати от процедурата Факторен анализ
- Правила за избор на фактори
- Избор на метод за факторен анализ
- Проблем с ротацията на фактора
- Регулиране на факторната ротация
- Параметри на процедурата за факторен анализ
- Извеждане на описателна статистика
- Запазване на стойностите на фактора
Модул 6. Класификация, базирана на отговора: дискриминантен анализ (4 ac. з.)
- Сегментиране въз основа на отговорите
- Методи за сегментиране, базирани на отговор
- Изходни данни за дискриминантен анализ
- Прилики между дискриминантния анализ и логистичната регресия
- Разлики между дискриминантния анализ и логистичната регресия
- Цел и задачи на дискриминантния анализ
- Предпоставки за дискриминантен анализ
- Етапи на дискриминантния анализ
- Методи за дискриминантен анализ
- Изходни данни
- Модел на линеен дискриминантен анализ
- Процедура Дискриминантен анализ
- Резултати от процедурата за дискриминантен анализ
- Статистика на процедурата за дискриминантен анализ
- Метод на поетапна селекция Дискриминантен анализ
- Класификация въз основа на резултатите от дискриминантния анализ
- Класификационна статистика
- Запазване на нови променливи
Модул 7. Многовариантен дисперсионен анализ (4 ак. з.)
- Многовариантен дисперсионен анализ
- Задаване на параметри за OLM-многомерна процедура
- Основни резултати от многовариантния дисперсионен анализ
- ANOVA с повтарящи се измервания
- GLM процедура - повторни измервания
- Задаване на параметри за процедурата за многократни измервания OLM
Модул 8. Класификационни модели, базирани на дървета на решенията (8 ac. з.)
- Същността на метода за изграждане на дърво на решенията
- Области на приложение на дървото на решенията
- Особености и предпоставки за използване на метода на дървото на решенията
- Методи за изграждане на дърво на решенията
- Сравнение на методите за изграждане на дърво на решенията
- Дървета за класификация на процедурите
- Интерпретация и изследване на дървета на решенията
- Проверка на адекватността на модела
- Персонализиране на изхода в процедурата за класификационни дървета
- Настройки и параметри на процедурата за класификационни дървета
- Правила за класифициране на наблюденията
- Критерии в процедурата за класификационни дървета
- Регресионни дървета с решения
- Изграждане на регресионни дървета с решения