Introduction to Machine Learning Models Using IBM SPSS Modeler (V18.2)
- Référence 0A079G
- Durée 2 jour(s)
Modalité pédagogique
Classe inter à distance Prix
EUR1,800.00
hors TVA
Demander une formation en intra-entreprise S'inscrireAller à:
Modalité pédagogique
La formation est disponible dans les formats suivants:
-
Classe inter à distance
Depuis n'importe quelle salle équipée d'une connexion internet, rejoignez la classe de formation délivrée en inter-entreprises.
-
Classe inter en présentiel
Formation délivrée en inter-entreprises. Cette méthode d'apprentissage permet l'interactivité entre le formateur et les participants en classe.
Demander cette formation dans un format différent
Résumé
Haut de pageCette formation fournit les bases de l'utilisation d'IBM SPSS Modeler et introduit le participant à la science des données. Les principes et la pratique de la science des données sont illustrés à l'aide de la méthodologie CRISP-DM. La formation aborde les bases de l'importation, de l'exploration et de la préparation des données avec IBM SPSS Modeler v18.2, ainsi que sur les éléments suivants.
Mise à jour : 16/12/2024
Classe à Distance - site Client
Cette formation peut être suivie à distance en synchrone depuis n'importe quel site pourvu d'une connexion internet (2 Mb/s en symétrique recommandés). Le programme (théorie et pratique) suit le même déroulé pédagogique qu'en présentiel. La solution technologique adoptée permet aux apprenants à distance de suivre les présentations faites au tableau, de voir et d'entendre l'instructeur et les participants en temps réel, mais également d'échanger avec eux.
Prochaines dates
Haut de page-
- Modalité: Classe inter à distance
- Date: 07-08 juillet, 2025
- Centre: SITE DISTANT
-
- Modalité: Classe inter à distance
- Date: 17-18 novembre, 2025
- Centre: SITE DISTANT
Public
Haut de page- Scientifiques des données
- Analystes commerciaux
- Clients souhaitant s'initier aux modèles d'apprentissage automatique
Objectifs de la formation
Haut de pageA l'issue de la formation, les participants seront capables de :
- Utiliser les modèles d'apprentissage automatique
- Préparer les données pour la modélisation
Programme détaillé
Haut de pageIntroduction aux modèles d'apprentissage automatique
- Taxonomie des modèles d'apprentissage automatique
- Identifier les niveaux de mesure
- Taxonomie des modèles supervisés
- Créer et appliquer des modèles dans IBM SPSS Modeler
Modèles supervisés : Arbres de décision - CHAID
- Principes de base de CHAID pour les cibles catégorielles
- Inclure des prédicteurs catégoriques et continus
- Principes de base de CHAID pour les cibles continues
- Traitement des valeurs manquantes
Modèles supervisés : Arbres de décision - C&R Tree
- Principes de base de C&R Tree pour les cibles catégorielles
- Inclure des prédicteurs catégoriques et continus
- Principes de base de l'arbre C&R pour les cibles continues
- Traitement des valeurs manquantes
Mesures d'évaluation pour les modèles supervisés
- Mesures d'évaluation pour les cibles catégorielles
- Mesures d'évaluation pour les cibles continues
Modèles supervisés : Modèles statistiques pour les cibles continues - Régression linéaire
- Principes de base de la régression linéaire
- Inclure des prédicteurs catégoriels
- Traitement des valeurs manquantes
Modèles supervisés : Modèles statistiques pour les cibles catégorielles - Régression logistique
- Principes de base de la régression logistique
- Inclure des prédicteurs catégoriels
- Traitement des valeurs manquantes
Modèles supervisés : Modèles de la boîte noire - Réseaux neuronaux
- Notions de base sur les réseaux neuronaux
- Inclure des prédicteurs catégoriques et continus
- Traitement des valeurs manquantes
Modèles supervisés : Modèles boîte noire - Modèles d'ensemble
- Principes de base des modèles d'ensemble
- Améliorer la précision et la généralisation par boosting et bagging
- Ensemble des meilleurs modèles
Modèles non supervisés : K-Means et Kohonen
- Principes de base de K-Means
- Inclure des entrées catégorielles dans K-Means
- Traitement des valeurs manquantes dans K-Means
- Principes de base des réseaux de Kohonen
- Traitement des valeurs manquantes dans Kohonen
Modèles non supervisés : TwoStep et détection d'anomalies
- Principes de base de TwoStep
- Hypothèses de TwoStep
- Trouver automatiquement le meilleur modèle de segmentation
- Principes de base de la détection d'anomalies
- Traitement des valeurs manquantes
Modèles d'association : Apriori
- Principes de base d'Apriori
- Mesures d'évaluation
- Traitement des valeurs manquantes
Modèles d'association : Détection de séquences
- Principes de base de la détection de séquences
- Traitement des valeurs manquantes
Préparation des données pour la modélisation
- Examiner la qualité des données
- Sélectionner les prédicteurs importants
- Équilibrer les données
Pré-requis
Haut de page- Connaissance des besoins de votre entreprise
Bon à savoir
Haut de pageSupport de cours officiel IBM remis aux participants
- #000000
