Introduction to Machine Learning Models Using IBM SPSS Modeler (V18.2)
Einführung in überwachte -, unüberwachte - und Assoziationsmodelle.
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.
IBM Global Training Provider
Mit einem Training von IBM erweiterst du das Know-how deiner Mitarbeiter – ein klarer Wettbewerbsvorteil für dein Unternehmen. Mit unseren Services und der neuesten Technologie für verteiltes Lernen aktualisierst du die Fähigkeiten deiner IT-Mitarbeiter.
Inhalte IBM SPSS Machine Learning
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
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
Wir schulen auch bei dir vor Ort!
Diese IBM SPSS Machine Learning Schulung führen wir auch bei dir im Unternehmen als individualisierte IBM SPSS Machine Learning-Firmenschulung durch.
Introduction to Machine Learning Models Using IBM SPSS Modeler (V18.2): Zielgruppe IBM SPSS Machine Learning
Datenwissenschaftler
Business-Analysten
Kunden, die mehr über maschinelle Lernmodelle erfahren wollen
Introduction to Machine Learning Models Using IBM SPSS Modeler (V18.2): Voraussetzungen IBM SPSS Machine Learning
Wissen über deine Geschäftsanforderungen
4.9
(58)
Introduction to Machine Learning Models Using IBM SPSS Modeler (V18.2)
Einführung in überwachte -, unüberwachte - und Assoziationsmodelle.
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.
Introduction to Machine Learning Models Using IBM SPSS Modeler (V18.2)
