Centrum Szkoleniowe SPSS
///

ST3a - Budowanie modeli predykcyjnych z użyciem technik maszynowego uczenia.

Cel kursu

Szkolenie przeznaczone jest dla analityków, dla których klasyczne, regresyjne techniki predykcyjne przestają być wystarczające. Dla każdego analityka może być kuszące budowanie modeli w oparciu o drzewa decyzyjne, gdzie nie ma założeń o rozkładach zmiennych zależnych, a do tego automatycznie uwzględniają one interakcje pomiędzy wartościami różnych zmiennych. Ale czy modele predykcyjne na nich zbudowane są tak samo stabilne w czasie? Czy takim wynikom można ufać? A jeżeli już się zdecydujemy na ich wykorzystanie, to kiedy wybrać drzewa oparte o statystyki chi-2 a kiedy o kryterium informacyjne? A może lepiej zrezygnować z drzew na rzecz sieci neuronowych? ST 3a jest kursem zaawansowanym przeznaczonym dla dociekliwych praktyków,, którzy chcą wykorzystywać techniki predykcyjne w biznesie, administracji lub badaniach naukowych.

Profil uczestnika

Uczestnikami szkolenia mogą być osoby zawodowo zajmujące się analizą danych, posiadające umiejętności w zakresie klasycznych technik statystycznych.

Umiejętności zdobywane podczas kursu

Przygotowanie danych na potrzeby konkretnych technik analitycznych
Zapoznanie z procesem konstruowania modeli z wykorzystaniem takich technik jak: sieci neuronowe i drzewa decyzyjne
Prawidłowe wnioskowanie na podstawie uzyskanych wyników
Umiejętność przewidywania wartości zmiennej zależnej na podstawie zestawu predyktorów
Ocena skuteczności modeli predykcyjnych

Program zajęć

Drzewa decyzyjne – wprowadzenie.
Interpretacja wyników drzewa.
Zasady budowy drzew klasyfikacyjnych CHAID.
Zasady budowy drzew klasyfikacyjnych CRT.
Wykorzystanie drzew klasyfikacyjnych do przewidywania.
Zaawansowane zagadnienia budowy drzew klasyfikacyjnych.
Zasady budowy drzew regresyjnych CRT.
Sieci neuronowe – wprowadzenie.
Interpretacja wyników i ocena skuteczności sieci do danych.
Zasady budowy sieci typu wielowarstwowy perceptron.
Wielowarstwowy perceptron a sieci RBF – podobieństwa i różnice.
Porównanie skuteczności klasyfikacji z wykorzystaniem drzew klasyfikacyjnych i sieci neuronowych.