Ce cours fournit les principes fondamentaux de l’utilisation d’IBM SPSS Modeler et initie le participant à la science des données. Les principes et la pratique de la science des données sont illustrés à l’aide de la méthodologie CRISP-DM. Le cours offre une formation aux bases de l’importation, de l’exploration et de la préparation de données avec IBM SPSS Modeler v18.1.1 et initie l’étudiant à la modélisation.

Public :

Ce cours SPSS Modeler et Data Science s’adresse aux business analysts, data scientists et plus globalement par toute personne intéressée par IBM SPSS Modeler.

Prérequis :

Il est recommandé d’avoir une connaissance des données de son business pour suivre cette formation IBM SPSS Modeler.

Introduction à la science des données

Liste de deux applications de la science des données
Expliquer les étapes de la méthodologie CRISP-DM
Décrire les compétences nécessaires à la science des données

Présentation d’IBM SPSS Modeler

Décrire l’interface utilisateur d’IBM SPSS Modeler
Utiliser des nœuds et des flux
Générer des nœuds à partir de la sortieGenerate nodes from output
Utiliser des SuperNodes
Exécuter des flux
Ouvrir et enregistrer des flux
Utiliser l’aide

Introduction à la science des données à l’aide d’IBM SPSS Modeler

Expliquer le cadre de base d’un projet de science des données
Créer un modèle Build a model
Déployer un modèle Deploy a model

Collecte des données initiales

Expliquer les concepts de « structure de données », « d’analyse », « stockage sur le terrain » et « niveau de mesure sur le terrain »
Importer des fichiers Microsoft Excel
Importer des fichiers IBM SPSS Statistics
Importer des fichiers texte
Importer à partir de bases de données
Exporter des données vers différents formats

Comprendre les données

Auditer les données
Rechercher des valeurs non valides
Prendre des mesures pour les valeurs non valides
Définir des espaces

Définition de l’analyse

Supprimer les enregistrements en double
Enregistrements agrégés
Développer un champ catégoriel en une série de champs d’indicateur
Transposer des données

Intégration des données

Ajouter des enregistrements à partir de plusieurs jeux de données
Fusionner des champs à partir de plusieurs datasets
Exemples d’enregistrements

Dérivation et reclassification des champs

Utiliser le langage de contrôle pour la manipulation d’expression (CLEM)
Dériver de nouveaux champs
Reclassification des valeurs de champ

Identification des relations

Examiner la relation entre deux champs catégoriels
Examiner la relation entre un champ catégoriel et un champ continu
Examiner la relation entre deux champs continus

Introduction à la modélisation

Liste de trois types de modèles
Utiliser un modèle supervisé
Utiliser un modèle de segmentation