SPSS یک برنامه آماری متداول است که در علوم اجتماعی ، آموزش و تجارت مورد استفاده قرار می گیرد. در این دوره ، متخصص تجزیه و تحلیل داده بارتون پولسون به شما نشان می دهد که چگونه می توانید داده ها را به روش هایی که در صفحات گسترده دشوار یا غیرممکن هستند ، تجزیه و تحلیل کنید ، بدون اینکه نیاز به منحنی یادگیری کامل یک زبان برنامه نویسی مانند پایتون یا R. داشته باشید. به تجسم داده ها و درگیری داده ها بروید. در مورد بازپرداخت داده ها بیاموزید و با استفاده از فرکانس های محاسباتی ، محاسبه توصیفات ، تجزیه و تحلیل داده های اکتشافی ، همبستگی های محاسباتی و جداول احتمالی محاسبات ، آن را کشف کنید. برای تجزیه و تحلیل داده ها ، از جمله مقایسه نسبت ها ، مقایسه وسایل متعدد ، محاسبه رگرسیون خطی و موارد دیگر ، به روشهای تجزیه و تحلیل داده ها بروید. به علاوه ، یاد بگیرید که چگونه کار خود را با صادرات نمودارها و جداول به اشتراک بگذارید.

یک نوع مشکل کاملاً بر یادگیری ماشین و هوش مصنوعی غالب است: طبقه بندی. طبقه‌بندی باینری، روش غالب، داده‌ها را به یکی از دو دسته طبقه‌بندی می‌کند: خرید یا نه، تقلب یا نه، بیمار یا نه، و غیره. یادگیری ماشینی و راه‌حل‌های مبتنی بر هوش مصنوعی به الگوریتم‌های دقیق و خوب انتخاب شده نیاز دارند تا طبقه‌بندی را به درستی انجام دهند. این دوره توضیح می دهد که چرا پروژه های تجزیه و تحلیل پیش بینی در نهایت مشکلات طبقه بندی هستند و چگونه دانشمندان داده می توانند استراتژی (یا استراتژی) مناسب را برای پروژه های خود انتخاب کنند. مربی کیت مک کورمیک از تکنیک های آمار سنتی و یادگیری ماشینی مدرن استفاده می کند و نقاط قوت و ضعف آنها را آشکار می کند. کیت نحوه تعریف استراتژی طبقه بندی خود را توضیح می دهد و روشن می کند که انتخاب درست اغلب ترکیبی از رویکردها است. سپس، او 11 الگوریتم مختلف را برای ساخت مدل شما نشان می دهد، از تجزیه و تحلیل تفکیک کننده گرفته تا رگرسیون لجستیک و شبکه های عصبی مصنوعی. در نهایت، یاد بگیرید که چگونه بر چالش هایی مانند مقابله با داده های از دست رفته و کاهش داده ها غلبه کنید.\r\n\r\n هیچ نرم افزاری برای پیگیری همراه با دوره مورد نیاز نیست.