Formation en analyse de données avec SPSS Modeler

Leçon 1 • Comprendre les flux et les nœuds

Explique comment les flux connectent les nœuds pour former des flux de travail exécutables. Les étudiants construisent leur premier flux simple pour renforcer la compréhension conceptuelle.

Leçon 2 • Configuration des projets et des espaces de travail

Couvre la création de projets, l'organisation des fichiers et les préférences de l'espace de travail. Une configuration appropriée prévient les erreurs et favorise la collaboration en équipe plus tard.

Leçon 3 • Aperçu des concepts d'analyse de données

Couvre les distinctions entre l'analyse descriptive, prédictive et prescriptive. Établit l'état d'esprit analytique nécessaire tout au long du cours.

Leçon 1 • Connexion aux bases de données relationnelles

Couvre la configuration ODBC et le nœud source de base de données pour les importations SQL. Les étudiants écrivent des requêtes SQL de base dans Modeler pour filtrer les données sources.

Leçon 2 • Travailler avec d'autres sources de données

Présente les nœuds source IBM Cognos, SAS et XML pour divers environnements de données. Élargit les compétences d'importation pour correspondre aux paysages de données d'entreprise réels.

Leçon 3 • Importation de fichiers plats et de feuilles de calcul

Enseigne la configuration des nœuds source Fichier variable et Excel. Des paramètres corrects de délimiteur et d'encodage préviennent les erreurs de données en aval.

Leçon 1 • Dérivation et recodage des champs

Enseigne les nœuds Dériver et Recoder pour créer de nouvelles variables et regrouper des données continues. Les caractéristiques conçues améliorent souvent considérablement le rendement du modèle prédictif.

Leçon 2 • Gestion des valeurs manquantes

Couvre la détection, l'imputation et l'exclusion des données manquantes à l'aide du nœud Remplisseur. Une gestion appropriée prévient les modèles biaisés et les sorties invalides.

Leçon 3 • Agrégation et restructuration des données

Applique les nœuds Agréger, Transposer et Trier pour remodeler les données en vue de l'analyse. Une structure de données correcte est un prérequis pour une modélisation et un rapport précis.

Leçon 4 • Filtrage et sélection des enregistrements

Utilise les nœuds Sélectionner et Échantillon pour sous-ensembler les données par condition ou proportion. Une sélection ciblée des enregistrements réduit le bruit et améliore la précision du modèle.

Leçon 1 • Importance et sélection des caractéristiques

Applique le nœud Sélection de caractéristiques pour classer les prédicteurs par pertinence par rapport à la cible. La réduction des caractéristiques non pertinentes améliore l'efficacité et l'interprétabilité du modèle.

Leçon 2 • Exploration des relations entre les variables

Utilise les nuages de points, les matrices de graphiques et le nœud Moyennes pour examiner les associations entre les variables. Les informations sur les corrélations éclairent la sélection des caractéristiques pour les modèles prédictifs.

Leçon 3 • Statistique descriptive et vérification des données

Applique les nœuds Vérification des données et Statistiques pour profiler les champs systématiquement. Les résultats de la vérification guident les décisions ultérieures de nettoyage et de sélection des caractéristiques.

Leçon 1 • Régression logistique et modèles linéaires

Configure les nœuds de régression logistique et de régression linéaire pour des cibles binaires et continues. Les étudiants interprètent les coefficients et évaluent l'ajustement du modèle à l'aide de métriques standard.

Leçon 2 • Évaluation et sélection du modèle

Utilise les nœuds Analyse, Évaluation et Gains pour mesurer la précision, l'élévation et le rendement ROC. Une évaluation rigoureuse garantit que le modèle choisi répond aux critères d'acceptation de l'entreprise.

Leçon 3 • Modèles de réseau de neurones et SVM

Applique les nœuds Réseau de neurones et Machine à vecteurs de support pour des motifs non linéaires complexes. Les étudiants ajustent les hyperparamètres clés et comparent le rendement avec des modèles plus simples.

Leçon 4 • Nœuds Auto-classifieur et Auto-numérique

Utilise Auto-classifieur et Auto-numérique pour comparer simultanément plusieurs algorithmes. La comparaison automatisée accélère la sélection du modèle pour les tâches de classification et de régression.

Leçon 1 • Validation de la qualité des groupes

Évalue les scores de silhouette, la variance intra-groupe et les métriques de stabilité des groupes. La validation confirme que les segments sont distincts, stables et analytiquement utiles.

Leçon 2 • Fondamentaux du regroupement K-moyennes

Configure le nœud K-moyennes, sélectionne k et interprète les affectations aux groupes basées sur les centroïdes. La compréhension des métriques de distance est essentielle pour une création de segments significative.

Leçon 3 • Profilage et interprétation des groupes

Utilise les nœuds de graphiques et de statistiques pour profiler les caractéristiques de chaque groupe après l'affectation. Des étiquettes de groupe significatives orientent des stratégies de segmentation d'affaires exploitables.

Leçon 1 • Évaluation et déploiement des prévisions

Évalue la précision des prévisions à l'aide des métriques MAE, RMSE et MAPE et exporte les prédictions. Des prévisions précises soutiennent les décisions de planification des stocks, du personnel et des budgets.

Leçon 2 • Fondamentaux de la prévision de séries chronologiques

Présente le nœud Série chronologique et les modèles ARIMA/lissage exponentiel pour la prévision des tendances. Les étudiants préparent des données indexées dans le temps et configurent correctement les paramètres saisonniers.

Leçon 3 • Détection de séquence et CARMA

Utilise les nœuds Séquence et CARMA pour trouver des motifs d'événements ordonnés dans les données transactionnelles. Les motifs séquentiels révèlent des informations sur le parcours client et les goulots d'étranglement des processus.

Leçon 1 • Surveillance du rendement du modèle au fil du temps

Suit la dérive de la précision des prédictions et déclenche des cycles de mise à jour du modèle à l'aide de références de rendement. Une surveillance continue prévient la dégradation silencieuse du modèle dans les environnements de production.

Leçon 2 • Exportation des modèles et des résultats

Exporte les modèles au format PMML et les résultats vers des bases de données, des fichiers plats et des rapports. Les formats d'exportation standardisés permettent l'intégration avec des systèmes externes et des outils BI.

Leçon 3 • Automatisation des flux à l'aide de scripts

Utilise les scripts de SPSS Modeler pour automatiser l'exécution des flux et les mises à jour des paramètres. L'automatisation réduit l'effort manuel et garantit des exécutions analytiques reproductibles et planifiées.

Leçon 4 • Notation de nouvelles données avec des modèles déployés

Applique des modules de modèles sauvegardés à de nouveaux ensembles de données pour la notation par lots et en temps réel. Des pipelines de notation cohérents garantissent que les prédictions restent alignées sur la logique du modèle entraîné.