توسعه دادن مهارت های SPSS - Develop Your SPSS Skills

SPSS Statistics یک برنامه آمار و تجزیه و تحلیل داده ها برای مشاغل، دولت ها، موسسات تحقیقاتی و سازمان های دانشگاهی است. در این دوره، بارتون پولسون یک رویکرد عملی، بصری و غیر ریاضی به آمار SPSS دارد و نحوه استفاده از برنامه محبوب برای تجزیه و تحلیل داده‌ها را به روش‌هایی که در صفحات گسترده دشوار یا غیرممکن هستند، اما نیازی به تسلط شما ندارد، توضیح می‌دهد. زبان‌های برنامه‌نویسی مانند Python یا R. از وارد کردن صفحات گسترده، ایجاد تجسم داده‌ها، تا محاسبه آمار توصیفی، بارتون تمام اصول اولیه را با تأکید بر وضوح، تفسیر، قابلیت ارتباط و کاربرد پوشش می‌دهد. این دوره برای محققانی که اولین بار هستند و کسانی که می خواهند از داده ها در کار حرفه ای و آکادمیک خود حداکثر استفاده را ببرند ایده آل است. اهداف یادگیری ایجاد تجسم داده ها ایجاد نمودارهای متغیر رگرسیون وارد کردن داده ها و رمزگذاری مجدد متغیرها محاسبه فرکانس ها و همبستگی ها تجزیه و تحلیل قابلیت اطمینان k-به معنای خوشه بندی است طبقه بندی درخت تصمیم تجزیه و تحلیل داده ها ساخت مدل های پیش بینی صادرات کار شما

نحوه اجرای آزمون‌های تحقیقاتی دانشگاهی را با SPSS، نرم‌افزار آماری پیشرو، بررسی کنید. در این دوره، یاش پاتل با تمرکز بر نحوه اجرا و تفسیر داده ها برای رایج ترین انواع تست های کمی، به SPSS می پردازد. موضوعات عبارتند از آزمون t، تجزیه و تحلیل واریانس (ANOVA)، و درک اندازه گیری های آماری پشت تحقیقات دانشگاهی. مستاجران آزمون های کیفی، از جمله قضیه مرکزی، مقادیر P، و فواصل اطمینان، و موارد استفاده خاص برای آزمون ها در SPSS را مرور کنید. برای هر نوع، یاش برخی از دستورالعمل‌ها و مفروضات کلی را به همراه یک تمرین چالشی و راه‌حلی برای تمرین آنچه آموخته‌اید ارائه می‌کند. اهداف یادگیری تحلیل کمی در مقابل کیفی ملاحظات اندازه نمونه توزیع نرمال برآورد میانگین جمعیت آزمون تی تک نمونه ای آزمون t نمونه جفتی ANOVA یک طرفه و دو طرفه اندازه گیری مکرر ANOVA

بسیاری از متخصصان علوم داده به دنبال تمرکز بر یادگیری ماشین هستند. این دوره ملزومات یادگیری ماشین را شامل می‌شود، از جمله تجزیه و تحلیل پیش بینی و کار با درخت تصمیم گیری. چندین الگوریتم محبوب درخت تصمیم گیری را کاوش کنید و یاد بگیرید که چگونه از مهندسی معکوس برای شناسایی متغیرهای خاص استفاده کنید. ارائه‌های استفاده از IBM SPSS Modeler گنجانده شده است تا بتوانید نحوه عملکرد درختان تصمیم گیری را بفهمید. این دوره طراحی شده است تا پایه و اساس محکمی را در اختیار شما بگذارد که بتوانید مهارتهای پیشرفته‌تری در زمینه علوم داده را ایجاد کنید. موضوعات شامل: با استفاده از SPSS Modeler ساخت یک مدل CHAID افزودن مدل دوم با C&RT یادداشت های تجزیه و تحلیل استفاده از نمودار آسانسور و سود کاوش الگوریتم ها ساختن یک درخت به صورت تعاملی تنظیم Bonferonni مدیریت متغیرهای اسمی ، ترتیبی و مداوم بررسی درخت CHAID ضریب جینی توزین خلوص و تعادل درک هرس بررسی درخت C&RT اعمال قوانین توقف با استفاده از ترفند تنظیم خودکار طبقه بندی

اگر در تلاش برای درک یادگیری ماشین هستید، مهم است که بدانید چگونه با درختان تصمیم کار کنید. در این دوره، مفاهیم پیشرفته و جزئیات الگوریتم های درخت تصمیم را کشف کنید. درباره الگوریتم QUEST و نحوه مدیریت متغیرهای اسمی ، متغیرهای ترتیبی و مداوم و داده های از دست رفته اطلاعات کسب کنید. الگوریتم C5.0 را کاوش کنید و برخی از ویژگی های اصلی آن مانند هرس جهانی و پیروزی را مرور کنید. بعلاوه، به چند موضوع پیشرفته که مربوط به همه درختان تصمیم گیری است، مانند تقویت و کیسه زدن، غوطه ور شوید. موضوعات شامل: درک توابع و برنامه های QUEST مفاهیم C5.0 و کاربردهای عملی درک اطلاعات به دست آوردن جنگل های تصادفی تقویت و کیف کردن هزینه ها و هزینه های قبلی

داشتن یک درک جامع از رگرسیون خطی-روشی برای مدل سازی رابطه بین یک متغیر وابسته و یکی با چند متغیر دیگر-می تواند به شما در حل بسیاری از مشکلات دنیای واقعی کمک کند. حوزه های کاربردی شامل پیش بینی تقریبا هر مقدار عددی از جمله ارزش مسکن، هزینه مشتری و قیمت سهام است. این دوره مفاهیم مهمترین تکنیک های رگرسیون خطی و نحوه استفاده موثر از آنها را آشکار می کند. در طول دوره، مربی Keith McCormick از IBM SPSS Statistics در حین پیاده سازی در هر مفهوم استفاده می کند، بنابراین قرار گرفتن در معرض آن نرم افزار فرض می شود. اما تأکید بر درک مفاهیم خواهد بود و نه مکانیک نرم افزار. کاربران SPSS این مزیت را خواهند داشت که تقریباً در معرض همه ویژگی های رگرسیون در SPSS قرار گیرند. مربی کیت مک کورمیک، رگرسیون خطی ساده را پوشش می دهد و نحوه ایجاد نمودارهای پراکندگی موثر و محاسبه و تفسیر ضرایب رگرسیون را توضیح می دهد. او همچنین به چالش ها و مفروضات رگرسیون چندگانه پرداخته و از طریق سه استراتژی رگرسیون متمایز گام برمی دارد. برای جمع بندی، او برخی از جایگزین ها برای رگرسیون را مورد بحث قرار می دهد، از جمله درختان رگرسیون و پیش بینی سری های زمانی. اهداف یادگیری ایجاد طرح های پراکندگی موثر در Chart Builder چالش ها و مفروضات رگرسیون چندگانه بررسی مفروضات بصری ایجاد کدهای ساختگی ایجاد و آزمایش شرایط تعامل درک همبستگی جزئی و جزئی تشخیص مشکلات و انجام اقدامات اصلاحی مقابله با چند خطی بودن

یک نوع مشکل مطلقاً بر یادگیری ماشین و هوش مصنوعی مسلط است: طبقه بندی. طبقه بندی دوتایی، روش غالب، داده ها را به یکی از دو دسته طبقه بندی می کند: خرید یا عدم خرید، تقلب یا عدم، بیمار یا غیره، و غیره. یادگیری ماشین و راه حل های مبتنی بر هوش مصنوعی برای انجام صحیح طبقه بندی به الگوریتم های دقیق و خوب انتخاب شده نیاز دارند. این دوره توضیح می دهد که چرا پروژه های تجزیه و تحلیل پیش بینی در نهایت مشکلات طبقه بندی هستند و چگونه دانشمندان داده می توانند استراتژی (یا استراتژی) مناسب برای پروژه های خود را انتخاب کنند. مربی کیت مک کورمیک از تکنیک های آمار سنتی و یادگیری ماشین مدرن استفاده می کند و نقاط قوت و ضعف آنها را آشکار می کند. کیث نحوه تعریف استراتژی طبقه بندی خود را توضیح می دهد و روشن می کند که انتخاب صحیح اغلب ترکیبی از رویکردها است. سپس، او 11 الگوریتم مختلف برای ساختن مدل شما، از تجزیه و تحلیل متمایز گرفته تا رگرسیون لجستیک تا شبکه های عصبی مصنوعی را نشان می دهد. در نهایت، نحوه غلبه بر چالش هایی مانند برخورد با داده های مفقوده و کاهش داده ها را بیاموزید. توجه: این آموزش ها بر روی نظریه و کاربرد عملی الگوریتم های طبقه بندی دودویی متمرکز شده است. همراه با دوره نیازی به نرم افزار نیست. اهداف یادگیری چرا به طبقه بندی نیاز دارید؟ الگوریتم های آماری در مقابل الگوریتم های یادگیری ماشین ترکیب مدلها با استفاده از مجموعه چالش های مدل سازی طبقه بندی