آموزش داده کاوی با Spss

مقدماتی

گام ورود داده و پیش پردازش

• • فراخوانی داده ها در محیط SPSS Modeler14.2
  • یکپارچه سازی داده ها (الصاق، الحاق و join
  • بررسی کیفیت داده ها
  • انواع روش های پاکسازی( داده تکراری، داده از دست رفته،
  • تشخیص رکوردهای پرت با استفاده از آنالیز چندمتغیره Anomaly Detection
  • کاهش ابعاد
  • انتخاب ویژگی (انواع روش های موجود در نرم افزار)

مدل های پیش بینی (مدل های با ناظر)

• مدل های جعبه سفید
  • طبقه بندی: انواع درخت های تصمیم
  • استفاده از درخت های رگرسیونی به منظور پیش بینی
• مدل های جعبه سیاه
  • شبکه های عصبی مصنوعی
  • بررسی مدل K- نزدیکترین همسایگی (KNN)
  • بیزساده
• مدل های تجمیعی (Bagging, Boosting, Ensemble)
• استفاده از ابزار مدلسازی پیش بینانه اتوماتیک و رتبه بندی مدل ها
• ارزیابی پیشرفته مدل های پیش بینی کننده (بررسی شاخص های ماتریس پریشانی و نمودارها

مدل های بدون ناظر (خوشه بندی و قوانین انجمنی)

• خوشه بندی (Kmeans
• روش های ارزیابی خوشه بندی
• قواعد انجمنی Apriori)
• ارزیابی

پیشرفته

• کاهش ابعاد با PCA
• تحلیل نمودارهای ROC  ، Lift  ،Gain
• تجمیع داده ها
• مفاهیم RFM و خوشه بندی
• حل پروژه عملی RFM

• رسم نمودارهای موجود در نرم افزار
• سری زمانی
• خوشه بندی Two Step-sequence
• مشاوره پایان نامه و مقاله و نوآوری در پایان نامه