Cours: Introduction à IBM SPSS Modeler (V14.2)

Présentation de IBM SPSS Modeler et exploration de données (V14.2) est un cours en salle de classe dispensé sur deux jours par un formateur, qui présente les principes de base de l'utilisation de IBM SPSS Modeler. Les théories et les méthodes pratiques de l'exploration de données sont illustrées à l'aide de la méthodologie CRISP-DM. Le cours se déroule selon les étapes d'un projet d'exploration de données standard, qui commence par la lecture des données et passe par leur transformation, la modélisation et l'interprétation efficace des résultats. Il expose les bases des méthodes de lecture, d'exploration et de manipulation des données avec IBM SPSS Modeler, puis la création et l'utilisation des modèles les plus performants.

Ce cours est donné en français avec du matériel en français.

Voir ce cours dans d'autres pays

Début

• Toute personne ne connaissant pas ou connaissant mal IBM SPSS Modeler
• Toute personne ne connaissant pas ou connaissant mal l'exploration de données
• Toute personne envisageant d'acheter IBM SPSS Modeler

Début

• Connaissances générales en informatique
• Aucune connaissance particulière en termes de statistiques n'est requise.
• Il peut s'avérer utile de comprendre les données de votre entreprise, ainsi que les problématiques relatives à l'exploration de données effectuée au sein de votre entreprise.

Début

Please refer to course overview for description information.

Début

Introduction à l'exploration de données

• Expliquer les étapes de la méthodologie CRISP-DM.
• Décrire des projets d'exploration de données réussis et les raisons d'un échec.
• Décrire les compétences nécessaires à l'exploration de données.

Utilisation des flux

• Décrire les différentes zones de l'interface utilisateur de Modeler.
• Utiliser les nœuds et super nœuds.
• Exécuter, ouvrir et enregistrer un flux.
• Accéder à la fonction d'aide dans Modeler.

Découverte de l'exploration de données

• Expliquer les principaux concepts de  l'exploration de données.
• Créer, évaluer et déployer un modèle.
• Utiliser les nœuds Sort (Trier) et Filter (Filtrer).

Collecte des données initiales

• Expliquer les concepts «structure de données», «enregistrements», «unité d'analyse» et «stockage».
• Lire les données de divers formats de fichiers et les exporter.

Compréhension des données

• Examiner les distributions des champs qualitatifs et continus.
• Expliquer les méthodes les plus courantes de gestion des données manquantes.
• Expliquer les méthodes les plus courantes de gestion des valeurs éloignées.
• Expliquer comment vérifier la qualité des données et sélectionner des enregistrements valides à l'aide de Modeler.

Définition de l'unité d'analyse

• Supprimer les enregistrements en double.
• Agréger des données.
• Créer des champs booléens.
• Restructurer des champs continus.

Intégration des données

• Ajouter des enregistrements de plusieurs ensembles de données dans un seul ensemble.
• Ajouter des champs de plusieurs ensembles de données dans un seul ensemble.
• Utiliser l'échantillonnage à des fins de test.

Calcul et remplacement des valeurs des champs

• Utiliser les expressions CLEM pour transformer des données.
• Utiliser le nœud Derive (Calculer) pour créer un nouveau champ et le nœud Filler (Remplacer) pour remplacer les valeurs d'un champ.
• Expliquer comment générer automatiquement un nœud Derive (Calculer).
• Utiliser le nœud Reorder (Réorganiser) pour réorganiser les champs.

Recodage et discrétisation des champs

• Utilisez le nœud Reclassify (Recoder).
• Expliquer comment générer automatiquement un nœud Reclassify (Recoder).
• Utiliser le nœud Binning (Discrétiser).

Recherche de relations

• Examiner la relation entre deux champs qualitatifs.
• Examiner la relation entre deux champs qualitatifs.
• Examiner la relation entre deux champs qualitatifs.

Introduction à la classification

• Différencier la modélisation prédictive des autres types de modélisation.
• Distinguer les différents types de modèles prédictifs.
• Exécuter CHAID en mode interactif.
• Exécuter CHAID et divers modèles en mode automatique.

Modélisation automatisée

• Partitionner des données.
• Utiliser la modélisation automatisée pour prévoir un champ qualitatif.
• Utiliser la modélisation automatisée pour prévoir un champ continu.

Début