روش های آماری داده کاوی و یادگیری ماشین در SPSS

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

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

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

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

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

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

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

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

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

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

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

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

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

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