IBM SPSS İstatistikleri. Seviye 5. Çok değişkenli istatistiksel analiz - kurs 34.990 RUB. Uzmandan, eğitim 32 ac. h., Tarih: 17 Eylül 2023.

Kapsamlı ve çeşitli iş deneyiminin yanı sıra 10 yılı aşkın öğretmenlik deneyimine sahip profesyonel bir öğretmen-uygulayıcı. Kendi uygulamalarından birçok ilginç örnek kullanarak eğitim materyallerini ilgi çekici ve anlaşılır bir şekilde açıklıyor. Alina Viktorovna'nın sunumunun parlaklığı ve canlılığı, dinleyicilerin müfredatı hızlı ve tam olarak özümsemesine yardımcı oluyor. Öğretmen dinleyicilerden gelen tüm soruları ayrıntılı olarak yanıtlar ve analiz edilen durumlar hakkında dikkatli bir şekilde yorum yapar.
Alina Viktorovna'nın “Bilgi Teknolojisi” ve “Ekonomist” uzmanlık alanlarında birçok yüksek öğrenimi vardır. Endüstride teknik süreçlerin otomasyonu ve kontrolü alanında Teknik Bilimler Adayı akademik derecesine sahiptir. Cam levha üretiminin teknolojik sürecinin otomasyonuna yönelik istatistiksel modellerin geliştirilmesine yönelik projelerde yer aldı. otomotiv endüstrisinde proses kontrolü için istatistiksel yöntemlerin uygulanması (AvtoVAZ, KamAZ, GAZ ve vesaire.). Rusya Federasyonu bölgelerinin sağlık sistemini analiz eder. Okul çocukları arasındaki girişimcilik eğilimlerini belirlemeye yönelik bir projede analist olarak yer alır.
Pek çok eğitimsel ve metodolojik kompleks geliştirdi ve nitelikli eserlerin savunulmasına yönelik sertifikasyon komisyonunun çalışmalarında defalarca yer aldı. Rusça ve yabancı yayınlarda bilimsel makaleler de dahil olmak üzere 17 bilimsel eserin yazarı. BOSCH şirketi için istatistiksel süreç kontrolü konusunda uzmanlık eğitimi vermek üzere Alman Q-DAS şirketinden sertifikaya sahiptir.
Alina Viktorovna, iş süreçlerini, sistem modellemeyi, statik veri işleme yöntemlerini ve IS tasarım standartlarını tanımlamaya yönelik metodolojilere kusursuz bir hakimiyete sahiptir. Derslerinde farklı çalışma alanlarından örnekler vererek materyalin farklı sektörlerden öğrenciler için eşit derecede anlaşılır olmasını sağlıyor.

Modül 1. Küme analizi ve uygulaması (2 ac. H.)

- Çok boyutlu sınıflandırma yöntemleri
- Kümeleme analizi kavramı ve uygulama alanları
- Küme analizi görevleri
- Küme analizi yöntemleri
- Kümeleme analizinin avantajları ve dezavantajları
- Küme analizinin aşamaları
- Küme analizi için ilk veriler
- Nesneler arasındaki mesafeyi ölçer
- Sınıflandırma kalitesinin analizi

Modül 2. Hiyerarşik küme analizi (4 ac. H.)

- Hiyerarşik küme analizinin özellikleri
- Küme analizinin hiyerarşik yöntemlerinin algoritması
- Kümeler arasındaki mesafeyi ölçer
- Prosedür Mesafeleri
- Fark ölçüleri
- Benzerlik önlemleri
- Prosedür Hiyerarşik küme analizi
- Hiyerarşik bir küme analizi yönteminin seçilmesi
- Hiyerarşik Kümeleme Analizi prosedürünün sonuçları
- Hiyerarşik küme analizi sonuçlarının grafiksel gösterimi
- Hiyerarşik Kümeleme Analizi prosedürüne ilişkin istatistiklerin ayarlanması
- Yeni değişkenleri kaydetme

Modül 3. K-ortalama yöntemini kullanarak sınıflandırma (2 ac. H.)

- K-means yönteminin özü ve özellikleri
- k-ortalama yönteminin algoritması
- K-means yöntemini kullanarak Prosedür Küme analizi
- Prosedürün sonuçları K-means yöntemini kullanan küme analizi
- Yineleme sayısını ayarlama
- Ek parametrelerin ayarlanması
- Ek ayarların görüntülenmesinin sonuçları
- Yeni değişkenleri kaydetme
- Sonuçların grafiksel sunumu

Modül 4. İki aşamalı küme analizi (4 ac. H.)

- İki aşamalı küme analizinin özellikleri
- İki aşamalı küme analizi için önkoşullar
- İki aşamalı küme analizi için algoritma
- Prosedür İki aşamalı küme analizi
- Model sonuçlarının özeti
- Küme yapısının değerlendirilmesi
- Kümeler hakkındaki bilgileri görüntüleyin
- Kümelerle ilgili bilgileri görüntüleme
- Çıkış kontrolü
- İki Adımlı Kümeleme Analizi prosedürünün çıktısı
- Ek Küme Görüntüleyici paneli
- Kümelere göre gözlem seçimi
- İki aşamalı küme analizi prosedürünün parametreleri

Modül 5. Boyut azaltma yöntemleri: faktör ve bileşen analizi (4 ac. H.)

- Faktör analizi kavramı
- Faktör analizinin amacı ve hedefleri
- Faktör analizinin aşamaları
- Faktör analizinin kullanılması için önkoşullar
- Bileşen analiz algoritması
- Faktör analizi algoritması
- Faktör ve bileşen analizlerinin karşılaştırılması
- Faktör ve bileşen analizlerinin kullanımı için ön koşullar
- Prosedür Faktör analizi
- Faktör Analizi prosedürünün sonuçları
- Faktör seçimine ilişkin kurallar
- Faktör analizi yönteminin seçilmesi
- Faktör döndürme sorunu
- Faktör rotasyonunun ayarlanması
- Faktör analizi prosedürünün parametreleri
- Tanımlayıcı istatistiklerin çıktısı
- Faktör değerlerinin kaydedilmesi

Modül 6. Tepkiye dayalı sınıflandırma: diskriminant analizi (4 ac. H.)

- Yanıtlara göre segmentasyon
- Yanıt bazlı segmentasyon yöntemleri
- Diskriminant analizi için ilk veriler
- Diskriminant analizi ile lojistik regresyon arasındaki benzerlikler
- Diskriminant analizi ile lojistik regresyon arasındaki farklar
- Diskriminant analizinin amacı ve hedefleri
- Diskriminant analizi için önkoşullar
- Diskriminant analizinin aşamaları
- Diskriminant analizi yöntemleri
- İlk veri
- Doğrusal diskriminant analiz modeli
- Prosedür Diskriminant analizi
- Diskriminant Analizi prosedürünün sonuçları
- Diskriminant Analizi prosedürünün istatistikleri
- Adım adım seçim prosedürü yöntemi Diskriminant analizi
- Diskriminant analizi sonuçlarına göre sınıflandırma
- Sınıflandırma istatistikleri
- Yeni değişkenleri kaydetme

Modül 7. Çok değişkenli varyans analizi (4 ac. H.)

- Çok değişkenli varyans analizi
- OLM-çok boyutlu prosedür için parametrelerin ayarlanması
- Çok değişkenli varyans analizinin ana sonuçları
- Tekrarlanan ölçümlerle ANOVA
- GLM prosedürü - tekrarlanan ölçümler
- OLM tekrarlı ölçüm prosedürü için parametrelerin ayarlanması

Modül 8. Karar ağaçlarına dayalı sınıflandırma modelleri (8 ac. H.)

- Karar ağacı oluşturma yönteminin özü
- Karar ağacının uygulama alanları
- Karar ağacı yöntemini kullanmanın özellikleri ve önkoşulları
- Karar ağacı oluşturma yöntemleri
- Karar ağacı oluşturma yöntemlerinin karşılaştırılması
- Prosedür Sınıflandırma Ağaçları
- Karar ağaçlarının yorumlanması ve incelenmesi
- Modelin yeterliliğinin kontrol edilmesi
- Sınıflandırma Ağaçları prosedüründe çıktının özelleştirilmesi
- Sınıflandırma Ağaçları prosedürünün ayarları ve parametreleri
- Gözlemleri sınıflandırma kuralları
- Sınıflandırma Ağaçları prosedüründeki kriterler
- Regresyon karar ağaçları
- Regresyon karar ağaçlarının oluşturulması