Introduction to Machine Learning Models Using IBM SPSS Modeler (V18.2)

Dieser Kurs bietet eine Einführung in überwachte Modelle, unüberwachte Modelle und Assoziationsmodelle. Es handelt sich um einen anwendungsorientierten Kurs. Beispiele sind die Vorhersage, ob Kunden ihr Abonnement kündigen, die Vorhersage von Immobilienwerten, die Segmentierung von Kunden auf der Grundlage ihrer Nutzung und die Warenkorbanalyse.

Überblick über den Kurs

• Einführung in Modelle des maschinellen Lernens

• Taxonomie der Modelle für maschinelles Lernen

• Identifizierung von Messstufen

• Taxonomie der überwachten Modelle

• Erstellen und Anwenden von Modellen in IBM SPSS Modeler

Überwachte Modelle: Entscheidungsbäume - CHAID

• CHAID-Grundlagen für kategoriale Ziele

• Einbeziehen kategorischer und kontinuierlicher Prädiktoren

• CHAID-Grundlagen für kontinuierliche Ziele

• Behandlung von fehlenden Werten

Überwachte Modelle: Entscheidungsbäume - C&R Tree

• C&R Tree Grundlagen für kategoriale Ziele

• Einbeziehung kategorialer und kontinuierlicher Prädiktoren

• C&R Tree-Grundlagen für kontinuierliche Ziele

• Behandlung von fehlenden Werten

• Bewertungsmaßstäbe für überwachte Modelle

• Bewertungsmaßstäbe für kategoriale Ziele

• Bewertungsmaßstäbe für kontinuierliche Ziele

Überwachte Modelle: Statistische Modelle für kontinuierliche Ziele - Lineare Regression

• Grundlagen der linearen Regression

• Einbeziehen kategorialer Prädiktoren

• Behandlung von fehlenden Werten

• Überwachte Modelle: Statistische Modelle für kategoriale Ziele - Logistische Regression

• Grundlagen der logistischen Regression

• Einbeziehen kategorialer Prädiktoren

• Behandlung von fehlenden Werten

Assoziationsmodelle: Sequenzerfassung

• Grundlagen der Sequenzerkennung

• Umgang mit fehlenden Werten

Überwachte Modelle: Black-Box-Modelle - Neuronale Netze

• Grundlagen neuronaler Netze

• Kategoriale und kontinuierliche Prädiktoren einbeziehen

• Umgang mit fehlenden Werten

Überwachte Modelle:

• Blackbox-Modelle - Ensemble-Modelle

• Grundlagen von Ensemble-Modellen

• Verbesserung der Genauigkeit und Verallgemeinerbarkeit durch Boosting und Bagging

• Ensemble der besten Modelle

Unüberwachte Modelle: K-Means und Kohonen

• K-Means Grundlagen

• Kategoriale Eingaben in K-Means einbeziehen

• Behandlung von fehlenden Werten in K-Means

• Grundlagen von Kohonen-Netzwerken

• Umgang mit fehlenden Werten in Kohonen

Unüberwachte Modelle: TwoStep und Anomalieerkennung

• TwoStep Grundlagen

• TwoStep-Annahmen

• Automatisch das beste Segmentierungsmodell finden

• Grundlagen der Anomalieerkennung

• Behandlung von fehlenden Werten

Assoziationsmodelle: Apriori

• Apriori-Grundlagen

• Bewertungsmaßnahmen

• Umgang mit fehlenden Werten

• Daten für die Modellierung vorbereiten

• Die Qualität der Daten prüfen

• Wichtige Prädiktoren auswählen

• Die Daten abgleichen

• Datenwissenschaftler

• Business-Analysten

• Kunden, die mehr über maschinelle Lernmodelle erfahren wollen

• Wissen über deine Geschäftsanforderungen