IBM SPSS statisztika. 5. szint. Többváltozós statisztikai elemzés - tanfolyam 34 990 RUB. szakorvostól, képzés 32 ac. h., Időpont: 2023. szeptember 17.

Szakmai tanár-gyakorló széleskörű és változatos munkatapasztalattal, valamint több mint 10 éves oktatói tapasztalattal. Lebilincselően, közérthetően magyarázza el az oktatási anyagokat, sok érdekes példát felhasználva saját gyakorlatából. Alina Viktorovna előadásának fényessége és élénksége segít a hallgatóknak gyorsan és teljes mértékben elsajátítani a tananyagot. A tanár részletesen válaszol minden kérdésre, amely a hallgatóságtól felmerül, és gondosan kommentálja az elemzett helyzeteket.
Alina Viktorovna több felsőfokú végzettséggel rendelkezik az „Információs technológia” és a „Közgazdász” szakterületeken. A műszaki tudományok kandidátusa fokozattal rendelkezik az ipari folyamatok automatizálása és vezérlése területén. Részt vett a lemezüveggyártás technológiai folyamatának automatizálására szolgáló statisztikai modellek kidolgozásában, a statisztikai módszerek alkalmazása az autóipar folyamatszabályozására (az olyan üzemekben, mint az AvtoVAZ, KamAZ, GAZ és stb.). Elemzi az Orosz Föderáció régióinak egészségügyi rendszerét. Elemzőként részt vesz egy projektben, amelynek célja az iskolások vállalkozói tendenciáinak azonosítása.
Számos oktatási és módszertani komplexumot dolgozott ki, és többször részt vett a minősítő alkotások védelmét szolgáló minősítő bizottság munkájában. 17 tudományos munka szerzője, köztük tudományos cikkek orosz és külföldi kiadványokban. Tanúsítvánnyal rendelkezik a német Q-DAS cégtől, hogy a BOSCH vállalat számára statisztikai folyamatszabályozási képzést tartson.
Alina Viktorovna kifogástalanul ismeri az üzleti folyamatok leírásának módszertanát, a rendszermodellezést, az adatfeldolgozás statikus módszereit és az IS tervezési szabványokat. Óráin különböző munkaterületekről hoz példákat, hogy az anyag egyformán érthető legyen a különböző iparágak tanulói számára.

1. modul. Klaszteranalízis és alkalmazása (2 ak. h.)

- Többdimenziós osztályozási módszerek
- A klaszteranalízis fogalma és alkalmazási területei
- Klaszterelemzési feladatok
- Klaszterelemzési módszerek
- A klaszteranalízis előnyei és hátrányai
- A klaszteranalízis szakaszai
- Kezdeti adatok a klaszteranalízishez
- Méri a tárgyak közötti távolságot
- Az osztályozás minőségének elemzése

2. modul. Hierarchikus klaszterelemzés (4 ac. h.)

- A hierarchikus klaszteranalízis jellemzői
- A klaszteranalízis hierarchikus módszereinek algoritmusa
- Méri a klaszterek közötti távolságot
- Eljárási távolságok
- A különbség mértékei
- Hasonlósági intézkedések
- Eljárás Hierarchikus klaszterelemzés
- Hierarchikus klaszterelemzési módszer kiválasztása
- A hierarchikus klaszterelemzési eljárás eredményei
- A hierarchikus klaszteranalízis eredményeinek grafikus ábrázolása
- Statisztikák beállítása a hierarchikus klaszterelemzési eljáráshoz
- Új változók mentése

3. modul. Osztályozás a k-közép módszerrel (2 ac. h.)

- A k-means módszer lényege, jellemzői
- A k-közép módszer algoritmusa
- Eljárás Klaszterelemzés k-means módszerrel
- Az eljárás eredményei Klaszteranalízis k-means módszerrel
- Az iterációk számának beállítása
- További paraméterek beállítása
- További beállítások megjelenítésének eredményei
- Új változók mentése
- Az eredmények grafikus bemutatása

4. modul. Kétlépcsős klaszteranalízis (4 ac. h.)

- A kétlépcsős klaszteranalízis jellemzői
- A kétlépcsős klaszterelemzés előfeltételei
- Algoritmus kétlépcsős klaszteranalízishez
- Eljárás Kétlépcsős klaszteranalízis
- A modelleredmények összefoglalása
- A klaszter szerkezetének felmérése
- Információk megtekintése a fürtökről
- Információk megjelenítése a fürtökről
- Kimenet vezérlés
- A kétlépcsős klaszterelemzési eljárás kimenete
- További Cluster Viewer panel
- A megfigyelések klaszterenkénti kiválasztása
- A kétlépcsős klaszterelemzési eljárás paraméterei

5. modul. Dimenziócsökkentési módszerek: faktor- és komponensanalízis (4 ac. h.)

- A faktoranalízis fogalma
- A faktoranalízis célja és célkitűzései
- A faktoranalízis szakaszai
- A faktoranalízis alkalmazásának előfeltételei
- Alkatrészelemző algoritmus
- Tényezőelemző algoritmus
- Tényező és komponens elemzések összehasonlítása
- A faktor- és komponensanalízis használatának előfeltételei
- Eljárásfaktor-elemzés
- A faktorelemzési eljárás eredményei
- A tényezők kiválasztására vonatkozó szabályok
- Faktorelemzési módszer kiválasztása
- Tényező rotációs probléma
- Tényező rotáció beállítása
- A Faktorelemzési eljárás paraméterei
- Leíró statisztikák kimenete
- Tényezőértékek mentése

6. modul. Válasz alapú osztályozás: diszkriminancia analízis (4 ac. h.)

- Szegmentálás válaszok alapján
- Válasz alapú szegmentációs módszerek
- Kezdeti adatok a diszkriminancia elemzéshez
- Hasonlóságok a diszkriminanciaanalízis és a logisztikus regresszió között
- A diszkriminanciaanalízis és a logisztikus regresszió közötti különbségek
- A diszkriminanciaanalízis célja és célkitűzései
- A diszkriminanciaelemzés előfeltételei
- A diszkriminanciaanalízis szakaszai
- A diszkriminanciaanalízis módszerei
- Kezdeti adatok
- Lineáris diszkriminancia elemzési modell
- Eljárás Diszkriminanciaanalízis
- A diszkriminancia-elemzési eljárás eredményei
- A diszkrimináns elemzési eljárás statisztikái
- Lépésenkénti kiválasztási eljárás módszere Diszkriminanciaanalízis
- Osztályozás a diszkriminanciaanalízis eredményei alapján
- Osztályozási statisztikák
- Új változók mentése

7. modul. Többváltozós varianciaanalízis (4 ac. h.)

- Többváltozós varianciaanalízis
- Az OLM-többdimenziós eljárás paramétereinek beállítása
- A többváltozós varianciaanalízis főbb eredményei
- ANOVA ismételt mérésekkel
- GLM eljárás - ismételt mérések
- Paraméterek beállítása az OLM-ismételt mérési eljáráshoz

8. modul. Döntési fákon alapuló osztályozási modellek (8 ac. h.)

- A döntési fa felépítési módszerének lényege
- A döntési fa alkalmazási területei
- A döntési fa módszer használatának jellemzői és előfeltételei
- Döntési fa felépítésének módszerei
- Döntési fa készítésének módszereinek összehasonlítása
- Eljárás osztályozási fák
- Döntési fák értelmezése, tanulmányozása
- A modell megfelelőségének ellenőrzése
- A kimenet testreszabása a Classification Trees eljárásban
- A Classification Trees eljárás beállításai és paraméterei
- A megfigyelések osztályozásának szabályai
- Kritériumok az Osztályozófák eljárásban
- Regressziós döntési fák
- Regressziós döntési fák felépítése