Formation Analyse de Données avec SPSS Modeler

Leçon 1 • Comprendre les flux et les nœuds

Explique comment les flux relient les nœuds pour former des processus exécutables. Les étudiants construisent leur premier flux simple pour renforcer leur 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 évite les erreurs et facilite la collaboration en équipe ultérieure.

Leçon 3 • Aperçu des concepts d'analyse de données

Couvre les distinctions entre les analyses 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 Base de données pour les importations basées sur 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 sources IBM Cognos, SAS et XML pour des environnements de données diversifiés. 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 sources Fichier variable et Excel. Des paramètres corrects de délimiteurs et d'encodage évitent 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 les performances des modèles prédictifs.

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 évite les modèles biaisés et les résultats 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 reporting précis.

Leçon 4 • Filtrage et sélection des enregistrements

Utilise les nœuds Sélectionner et Échantillonner pour sous-ensembler les données par condition ou par proportion. La 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 variables

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

Leçon 3 • Statistiques descriptives et audit des données

Applique les nœuds Audit de données et Statistiques pour profiler systématiquement les champs. Les résultats de l'audit 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'adéquation 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, le lift et les performances ROC. Une évaluation rigoureuse garantit que le modèle choisi répond aux critères d'acceptation métier.

Leçon 3 • Modèles de réseau de neurones et SVM

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

Leçon 4 • Nœuds de classification automatique et numérique automatique

Utilise les nœuds de classification automatique et numérique automatique pour évaluer plusieurs algorithmes simultanément. La comparaison automatisée accélère la sélection du modèle pour les tâches de classification et de régression.

Leçon 1 • Validation de la qualité des clusters

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

Leçon 2 • Fondamentaux du clustering K-Means

Configure le nœud K-Means, sélectionne k et interprète les affectations aux clusters basées sur les centroïdes. Comprendre les métriques de distance est essentiel pour une création de segments pertinente.

Leçon 3 • Profilage et interprétation des clusters

Utilise les nœuds graphiques et statistiques pour profiler les caractéristiques de chaque cluster après affectation. Des étiquettes de cluster pertinentes génèrent des stratégies de segmentation métier 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, des effectifs et des budgets.

Leçon 2 • Fondamentaux de la prévision de séries temporelles

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

Leçon 3 • Détection de séquences et CARMA

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

Leçon 1 • Surveillance des performances du modèle au fil du temps

Suit la dérive de la précision des prédictions et déclenche des cycles de réentraînement du modèle à l'aide de références de performance. Une surveillance continue empêche 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 de BI.

Leçon 3 • Automatisation des flux avec des scripts

Utilise le langage de script 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 pépites de modèle enregistrées à de nouveaux ensembles de données pour une notation par lots et en temps réel. Des pipelines de notation cohérents garantissent que les prédictions restent alignées sur la logique du modèle entraîné.