Introduction to Machine Learning Models Using IBM SPSS Modeler (V18.2) (0E079G-SPVC)
Přehled
Obsahuje příručku ke kurzu ve formátu PDF a také laboratorní prostředí, ve kterém mohou studenti procházet ukázkami a cvičeními vlastním tempem.
Tento kurz poskytuje úvod do modelů s učitelem, modelů bez učitele a asociačních modelů. Jedná se o aplikačně orientovaný kurz a příklady zahrnují predikci toho, zda zákazníci zruší své předplatné, predikci hodnot nemovitostí, segmentaci zákazníků na základě využití a analýzu nákupního košíku.
Pokud se přihlašujete do kurzu Self Paced Virtual Classroom nebo Web Based Training, před přihlášením si prosím přečtěte informace o Self-Paced Virtual Classes a Web-Based Training Classes na naší stránce Podmínek a ujednání, jakož i systémové požadavky, abyste se ujistili, že váš systém splňuje minimální požadavky pro tento kurz. /terms
Cílová skupina
- Datoví vědci
- Byznys analytici
- Klienti, kteří se chtějí seznámit s modely strojového učení
Předpoklady
- Znalost obchodních požadavků
Cíl
Úvod do modelů strojového učení
• Taxonomie modelů strojového učení
• Identifikace úrovní měření
• Taxonomie modelů s učitelem
• Sestavení a aplikace modelů v IBM SPSS Modeler
Modely s učitelem: Rozhodovací stromy – CHAID
• Základy CHAID pro kategorické cílové proměnné
• Zahrnutí kategorických a spojitých prediktorů
• Základy CHAID pro spojité cílové proměnné
• Zpracování chybějících hodnot
Modely s učitelem: Rozhodovací stromy – C&R Tree
• Základy C&R Tree pro kategorické cílové proměnné
• Zahrnutí kategorických a spojitých prediktorů
• Základy C&R Tree pro spojité cílové proměnné
• Zpracování chybějících hodnot
Hodnotící míry pro modely s učitelem
• Hodnotící míry pro kategorické cílové proměnné
• Hodnotící míry pro spojité cílové proměnné
Modely s učitelem: Statistické modely pro spojité cílové proměnné – lineární regrese
• Základy lineární regrese
• Zahrnutí kategorických prediktorů
• Zpracování chybějících hodnot
Modely s učitelem: Statistické modely pro kategorické cílové proměnné – logistická regrese
• Základy logistické regrese
• Zahrnutí kategorických prediktorů
• Zpracování chybějících hodnot
Asociační modely: Detekce sekvencí
• Základy detekce sekvencí
• Zpracování chybějících hodnot
Modely s učitelem: Modely černé skříňky – neuronové sítě
• Základy neuronových sítí
• Zahrnutí kategorických a spojitých prediktorů
• Zpracování chybějících hodnot
Modely s učitelem: Modely černé skříňky – ensemble modely
• Základy ensemble modelů
• Zlepšení přesnosti a zobecnitelnosti pomocí boostingu a baggingu
• Sestavení ensemble z nejlepších modelů
Modely bez učitele: K-Means a Kohonen
• Základy K-Means
• Zahrnutí kategorických vstupů v K-Means
• Zpracování chybějících hodnot v K-Means
• Základy Kohonenových sítí
• Zpracování chybějících hodnot v Kohonenu
Modely bez učitele: TwoStep a detekce anomálií
• Základy TwoStep
• Předpoklady TwoStep
• Automatické nalezení nejlepšího segmentačního modelu
• Základy detekce anomálií
• Zpracování chybějících hodnot
Asociační modely: Apriori
• Základy Apriori
• Hodnotící míry
• Zpracování chybějících hodnot
Příprava dat pro modelování
• Posouzení kvality dat
• Výběr důležitých prediktorů
• Vyvážení dat
Osnova kurzu
Úvod do modelů strojového učení
• Taxonomie modelů strojového učení
• Identifikace úrovní měření
• Taxonomie modelů s učitelem
• Sestavení a aplikace modelů v IBM SPSS Modeler
Modely s učitelem: Rozhodovací stromy – CHAID
• Základy CHAID pro kategorické cílové proměnné
• Zahrnutí kategorických a spojitých prediktorů
• Základy CHAID pro spojité cílové proměnné
• Zpracování chybějících hodnot
Modely s učitelem: Rozhodovací stromy – C&R Tree
• Základy C&R Tree pro kategorické cílové proměnné
• Zahrnutí kategorických a spojitých prediktorů
• Základy C&R Tree pro spojité cílové proměnné
• Zpracování chybějících hodnot
Hodnotící míry pro modely s učitelem
• Hodnotící míry pro kategorické cílové proměnné
• Hodnotící míry pro spojité cílové proměnné
Modely s učitelem: Statistické modely pro spojité cílové proměnné – lineární regrese
• Základy lineární regrese
• Zahrnutí kategorických prediktorů
• Zpracování chybějících hodnot
Modely s učitelem: Statistické modely pro kategorické cílové proměnné – logistická regrese
• Základy logistické regrese
• Zahrnutí kategorických prediktorů
• Zpracování chybějících hodnot
Asociační modely: Detekce sekvencí
• Základy detekce sekvencí
• Zpracování chybějících hodnot
Modely s učitelem: Modely černé skříňky – neuronové sítě
• Základy neuronových sítí
• Zahrnutí kategorických a spojitých prediktorů
• Zpracování chybějících hodnot
Modely s učitelem: Modely černé skříňky – ensemble modely
• Základy ensemble modelů
• Zlepšení přesnosti a zobecnitelnosti pomocí boostingu a baggingu
• Sestavení ensemble z nejlepších modelů
Modely bez učitele: K-Means a Kohonen
• Základy K-Means
• Zahrnutí kategorických vstupů v K-Means
• Zpracování chybějících hodnot v K-Means
• Základy Kohonenových sítí
• Zpracování chybějících hodnot v Kohonenu
Modely bez učitele: TwoStep a detekce anomálií
• Základy TwoStep
• Předpoklady TwoStep
• Automatické nalezení nejlepšího segmentačního modelu
• Základy detekce anomálií
• Zpracování chybějících hodnot
Asociační modely: Apriori
• Základy Apriori
• Hodnotící míry
• Zpracování chybějících hodnot
Příprava dat pro modelování
• Posouzení kvality dat
• Výběr důležitých prediktorů
• Vyvážení dat
Více od IBM
Administration of IBM DataPower Gateway 10 | Podnikové systémy
Advanced Administering Environments with IBM Instana Observability | Podnikové systémy
Advanced Assembler Language Coding Workshop | Podnikové systémy
Advanced HCP Terraform | Podnikové systémy
Advanced Parallel Sysplex Operations and Recovery Workshop | Podnikové systémy
Advanced System Operator Workshop for IBM i | Podnikové systémy