Name: روش های آماری داده کاوی و یادگیری ماشین در SPSS - شنبه ۱۵ اردیبهشت ۰۳
Start: 2024-05-04T20:00:00+0330
End: 2024-05-04T20:00:00+0330

257c1ee18441845674b0267e4c324db3.png

روش های آماری داده کاوی و یادگیری ماشین در  SPSS

دکتر فرزان مددی زاده

دکترای تخصصی آمارزیستی و تحلیل داده های پزشکی از دانشگاه علوم پزشکی تهران- 
دانشیار آمارزیستی گروه آمار و اپیدمیولوژی دانشگاه علوم پزشکی یزد

جلسه اول: معرفی مفاهیم داده کاوی و یادگیری ماشین، معرفی انواع یادگیری، آماده سازی داده ها در نرم افزار SPSS 
معرفی نرم افزار اختصاصی کاووش داده SPSS MODELER

بلیط دانشجویی جلسه اول

بلیط غیر دانشجویی جلسه اول

انواع مدل رگرسیون 
رگرسیون خطی و غیر خطی 
پیش فرض های مدل رگرسیون خطی 
روش های ارزیابی خوبی مدل 
نحوه ساخت دامی وریبل (متغیر تصنعی) 
تفسیر ضرایب مدل و گزارش نتایج

بلیط دانشجویی جلسه دوم

بلیط غیر دانشجویی جلسه دوم

مدل رگرسیون لجستیک باینری 
پیش فرض های مدل 
معرفی مفهوم نسبت شانس 
مفهوم ضریب تعیین اصلاح شده

بلیط دانشجویی جلسه سوم

بلیط غیر دانشجویی جلسه سوم

رگرسیون لجستیک اسمی 
Nominal logistic regression 
پیش فرض های مدل 
معرفی مفهوم نسبت شانس 
مفهوم ضریب تعیین اصلاح شده 
تفسیر ضرایب

بلیط دانشجویی جلسه چهارم

بلیط غیر دانشجویی جلسه چهارم

رگرسیون لجستیک رتبه ای 
Ordered Logistic Regression 
پیش فرض های مدل 
معرفی مفهوم نسبت شانس 
مفهوم ضریب تعیین اصلاح شده 
تفسیر ضرایب

بلیط دانشجویی جلسه پنجم

بلیط غیر دانشجویی جلسه پنجم

مدل یادگیری ماشین همسایگی نزدیک 
Nearest Neighbor 
پیش فرض های مدل 
نحوه اجرا در نرم افزار SPSS 
گزارش و تفسیر نتایج

بلیط دانشجویی جلسه ششم

بلیط غیر دانشجویی جلسه ششم

معرفی مفهوم خوشه بندی 
روش خوشه بندی K-Means 
روش Two Step Cluster 
پیش فرض ها 
نحوه انجام مدل در نرم افزار SPSS 
گزارش نتایج و تفسیر

بلیط دانشجویی جلسه هفتم

بلیط غیر دانشجویی جلسه هفتم

روش داده کاوی خوشه بندی سلسله مراتبی 
انواع روش ها 
پیش فرض هر روش 
نحوه انجام در نرم افزار SPSS 
نحوه گزارش و تفسیر نتایج

بلیط دانشجویی جلسه هشتم

بلیط غیر دانشجویی جلسه هشتم

مدل داده کاوی درخت تصمیم 
الگوریتم های مختلف یادگیری مدل 
پیش فرض ها 
نحوه انجام در نرم افزار SPSS 
نحوه گزارش و تفسیر نتایج 
نحوه گزارش

بلیط دانشجویی جلسه نهم

بلیط غیر دانشجویی جلسه نهم

مدل داده کاوی تحلیل تشخیصی 
پیش فرض های مدل 
نحوه اجرای مدل در نرم افزار SPSS 
نحوه گزارش و تفسیر نتایج

بلیط دانشجویی جلسه دهم

بلیط غیر دانشجویی جلسه دهم

منحنی مشخصه عملکرد 
نحوه تعیین نقاط برش در متغیرهای کمی 
نحوه تفسیر منحنی 
مقایسه عملکرد دو مدل داده کاوی یا دو الگوریتم یادگیری ماشین از طریق منحنی مشخصه عملکرد. 
آزمون مقایسه دو منحنی عملکرد 
مثال های عملی و اجرا در نرم افزار SPSS 
نحوه گزارش نتایج و تفسیر

بلیط دانشجویی جلسه یازدهم

بلیط غیر دانشجویی جلسه یازدهم

روش کاهش بعد داده ها از طریق تحلیل عاملی 
پیش فرض های مدل 
روش های استخراج ابعاد 
روش های چرخش ابعاد 
ذخیره احتمالات پیش بینی 
نحوه انجام در نرم افزار SPSS 
گزارش نتایج و تفسیر

بلیط دانشجویی جلسه دوازدهم

بلیط غیر دانشجویی جلسه دوازدهم

روش داده کاوی کاهش بعد داده ها - Correspondence analysis 
پیش فرض های مدل 
ذخیره احتمالات پیش بینی 
نحوه انجام در نرم افزار SPSS 
گزارش نتایج و تفسیر

بلیط دانشجویی جلسه سیزدهم

بلیط غیر دانشجویی جلسه سیزدهم

روش داده کاوی مدل سازی سری زمانی 
تعریف سری زمانی 
انواع مدل های سری زمانی 
بررسی ایستایی 
سری های زمانی ایستا 
بررسی پیش فرض ها 
نمودارهای اختصاصی 
پیش بینی و تفسیر

بلیط دانشجویی جلسه چهاردهم

بلیط غیر دانشجویی جلسه چهاردهم

معرفی مدل های سری زمانی اتورگرسیو 
معرفی مدل های میانگین متحرک 
معرفی مدل سری زمانی ARIMA 
نحوه انجام پیش بینی بر اساس مدل ARIMA 
نحوه اجرای مدل در نرم افزار SPSS 
نحوه گزارش و تفسیر نتایج

بلیط دانشجویی جلسه پانزدهم

معرفی مدل های سری زمانی اتورگرسیو 
معرفی مدل های میانگین متحرک 
معرفی مدل سری زمانی ARIMA 
نحوه انجام پیش بینی بر اساس مدل ARIMA 
نحوه اجرای مدل در نرم افزار SPSS 
نحوه گزارش و تفسیر نتایج

بلیط غیر دانشجویی جلسه پانزدهم

مدل شبکه عصبی مصنوعی 
معرفی مفاهیم اساسی مدل 
MULTI LAYER PERCEPTRON 
روش های مقیاس بندی متغیرها 
نحوه آموزش و ارزیابی مدل 
معرفی انواع روش های آموزش Batch, online , Mini-Batch 
آنالیز اهمیت متغیرهای ورودی مدل 
تفسیر نتیجه دسته بندی 
محاسبه احتمالات پیش بینی 
تنظیمات مدل در نرم افزار SPSS 
گزارش نتایج و تفسیر عملکرد مدل

بلیط دانشجویی جلسه شانزدهم

بلیط غیر دانشجویی جلسه شانزدهم

محتوای دوره: 
جلسه اول: معرفی مفاهیم داده کاوی و یادگیری ماشین، معرفی انواع یادگیری، آماده سازی داده ها 
جلسه دوم: مدل رگرسیون خطی 
جلسه سوم: رگرسیون لجستیک باینری 
جلسه چهارم: رگرسیون لجستیک اسمی 
جلسه پنجم: رگرسیون لجستیک رتبه ای 
جلسه ششم: مدل نزدیکترین همسایگی 
جلسه هفتم: خوشه بندی به روش K-Means 
جلسه هشتم: روش Two-step cluster Analysis 
جلسه نهم: درخت تصمیم 
جلسه دهم: آنالیز تشخیصی Discriminant Analysis 
جلسه یازدهم: تحلیل منحنی مشخصه عملکرد ROC Curve Analysis 
جلسه دوازدهم: روش های کاهش بعد داده ها- تحلیل عاملی 
جلسه سیزدهم: روش های کاهش بعد داده ها - Correspondence analysis 
جلسه چهاردهم: مدل سازی سری های زمانی 1 
جلسه پانزدهم: مدل سازی سری زمانی 2 
جلسه شانزدهم: شبکه عصبی مصنوعی