Statistiques IBM SPSS. Niveau 5. Analyse statistique multivariée - cours 34 990 RUB. de Spécialiste, formation 32 ac. h., Date: 17 septembre 2023.

Enseignant-praticien professionnel possédant une expérience professionnelle vaste et variée, ainsi que plus de 10 ans d’expérience en enseignement. Explique le matériel pédagogique de manière engageante et intelligible, en utilisant de nombreux exemples intéressants tirés de sa propre pratique. La luminosité et la vivacité de la présentation d’Alina Viktorovna aident les auditeurs à assimiler rapidement et pleinement le programme. L'enseignant répond en détail à toutes les questions posées par le public et commente soigneusement les situations analysées.
Alina Viktorovna possède plusieurs formations supérieures dans les spécialités « Technologie de l'information » et « Économiste ». Titulaire d'un diplôme académique de candidat en sciences techniques dans le domaine de l'automatisation et du contrôle des processus techniques dans l'industrie. Participation au développement de modèles statistiques pour l'automatisation du processus technologique de production de verre à feuilles, dans des projets sur mise en œuvre de méthodes statistiques pour le contrôle des processus dans l'industrie automobile (dans des usines telles que AvtoVAZ, KamAZ, GAZ et etc.). Analyse le système de santé des régions de la Fédération de Russie. Participe à un projet visant à identifier les tendances entrepreneuriales chez les écoliers en tant qu'analyste.
Elle a développé de nombreux complexes pédagogiques et méthodologiques, et a participé à plusieurs reprises aux travaux de la commission de certification pour la soutenance des ouvrages qualifiants. Auteur de 17 ouvrages scientifiques, dont des articles scientifiques dans des publications russes et étrangères. Possède un certificat de la société allemande Q-DAS pour dispenser une formation spécialisée sur le contrôle statistique des processus pour la société BOSCH.
Alina Viktorovna maîtrise parfaitement les méthodologies de description des processus métiers, la modélisation des systèmes, les méthodes statiques de traitement des données et les normes de conception des SI. Dans ses cours, elle donne des exemples issus de différents domaines de travail afin que le matériel soit également compréhensible pour les étudiants de différents secteurs.

Module 1. Analyse groupée et son application (2 ac. h.)

- Méthodes de classification multidimensionnelle
- Concept et domaines d'application de l'analyse cluster
- Tâches d'analyse de cluster
- Méthodes d'analyse de cluster
- Avantages et inconvénients de l'analyse cluster
- Étapes de l'analyse cluster
- Données initiales pour l'analyse de cluster
- Mesure la distance entre les objets
- Analyse de la qualité du classement

Module 2. Analyse de cluster hiérarchique (4 ac. h.)

- Caractéristiques de l'analyse de cluster hiérarchique
- Algorithme de méthodes hiérarchiques d'analyse de cluster
- Mesure la distance entre les clusters
- Distances de procédure
- Mesures de différence
- Mesures de similarité
- Procédure d'analyse de cluster hiérarchique
- Sélection d'une méthode d'analyse de cluster hiérarchique
- Résultats de la procédure d'analyse de cluster hiérarchique
- Représentation graphique des résultats de l'analyse de cluster hiérarchique
- Mise en place des statistiques pour la procédure d'Analyse de Cluster Hiérarchique
- Sauvegarde de nouvelles variables

Module 3. Classification selon la méthode des k-moyennes (2 ac. h.)

- L'essence et les caractéristiques de la méthode k-means
- Algorithme de la méthode des k-means
- Procédure Analyse de clusters à l'aide de la méthode des k-moyennes
- Résultats de la procédure Analyse de clusters par la méthode des k-means
- Définition du nombre d'itérations
- Mise en place de paramètres supplémentaires
- Résultats de l'affichage des paramètres supplémentaires
- Sauvegarde de nouvelles variables
- Présentation graphique des résultats

Module 4. Analyse groupée en deux étapes (4 ac. h.)

- Caractéristiques de l'analyse groupée en deux étapes
- Conditions préalables à l'analyse cluster en deux étapes
- Algorithme d'analyse de cluster en deux étapes
- Procédure Analyse groupée en deux étapes
- Résumé des résultats du modèle
- Évaluation de la structure du cluster
- Afficher les informations sur les clusters
- Afficher les informations sur les clusters
- Contrôle de sortie
- Résultat de la procédure d'analyse de cluster en deux étapes
- Panneau de visualisation de cluster supplémentaire
- Sélection des observations par clusters
- Paramètres de la procédure d'analyse groupée en deux étapes

Module 5. Méthodes de réduction de dimensionnalité: analyse factorielle et composante (4 ac. h.)

- Le concept d'analyse factorielle
- But et objectifs de l'analyse factorielle
- Étapes de l'analyse factorielle
- Prérequis à l'utilisation de l'analyse factorielle
- Algorithme d'analyse des composants
- Algorithme d'analyse factorielle
- Comparaison des analyses factorielles et composantes
- Prérequis à l'utilisation des analyses factorielles et composantes
- Analyse factorielle de procédure
- Résultats de la procédure d'analyse factorielle
- Règles de sélection des facteurs
- Sélection d'une méthode d'analyse factorielle
- Problème de rotation des facteurs
- Ajustement de la rotation des facteurs
- Paramètres de la procédure d'analyse factorielle
- Sortie de statistiques descriptives
- Valeurs de facteur d'enregistrement

Module 6. Classification basée sur les réponses: analyse discriminante (4 ac. h.)

- Segmentation basée sur les réponses
- Méthodes de segmentation basées sur les réponses
- Données initiales pour analyse discriminante
- Similitudes entre analyse discriminante et régression logistique
- Différences entre analyse discriminante et régression logistique
- But et objectifs de l'analyse discriminante
- Prérequis à l'analyse discriminante
- Étapes de l'analyse discriminante
- Méthodes d'analyse discriminante
- Donnée initiale
- Modèle d'analyse discriminante linéaire
- Procédure Analyse Discriminante
- Résultats de la procédure d'Analyse Discriminante
- Statistiques de la procédure d'Analyse Discriminante
- Méthode de sélection par étapes Analyse discriminante
- Classification basée sur les résultats de l'analyse discriminante
- Statistiques de classement
- Sauvegarde de nouvelles variables

Module 7. Analyse multivariée de la variance (4 ac. h.)

- Analyse multivariée de variance
- Paramétrage de la procédure OLM-multidimensionnelle
- Principaux résultats de l'analyse de variance multivariée
- ANOVA avec mesures répétées
- Procédure GLM - mesures répétées
- Paramétrage de la procédure de mesures répétées OLM

Module 8. Modèles de classification basés sur des arbres de décision (8 ac. h.)

- L'essence de la méthode de construction d'un arbre de décision
- Domaines d'application de l'arbre de décision
- Caractéristiques et prérequis pour utiliser la méthode de l'arbre de décision
- Méthodes de construction d'un arbre de décision
- Comparaison des méthodes de construction d'un arbre de décision
- Arbres de classification des procédures
- Interprétation et étude d'arbres de décision
- Vérification de l'adéquation du modèle
- Personnalisation du résultat dans la procédure Arbres de classification
- Paramétrages et paramètres de la procédure Arbres de Classification
- Règles de classification des observations
- Critères dans la procédure Arbres de Classification
- Arbres de décision de régression
- Construction d'arbres de décision de régression