Introduction to Machine Learning Models Using IBM SPSS Modeler (V18.2) (0E079G-SPVC)

Podnikové systémy
Strojově přeloženo

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