Data science without a Ph.D. Using IBM SPSS Modeler (v18.1.1) (0A018G)

 

Résumé du cours

This course focuses on reviewing concepts of data science, where participants will learn the stages of a data science project. Topics include using automated tools to prepare data for analysis, build models, evaluate models, and deploy models. To learn about these data science concepts and topics, participants will use IBM SPSS Modeler as a tool.

Moyens Pédagogiques :
  • Quiz pré-formation de vérification des connaissances (si applicable)
  • Réalisation de la formation par un formateur agréé par l’éditeur
  • Formation réalisable en présentiel ou en distanciel
  • Mise à disposition de labs distants/plateforme de lab pour chacun des participants (si applicable à la formation)
  • Distribution de supports de cours officiels en langue anglaise pour chacun des participants
    • Il est nécessaire d'avoir une connaissance de l'anglais technique écrit pour la compréhension des supports de cours
Moyens d'évaluation :
  • Quiz pré-formation de vérification des connaissances (si applicable)
  • Évaluations formatives pendant la formation, à travers les travaux pratiques réalisés sur les labs à l’issue de chaque module, QCM, mises en situation…
  • Complétion par chaque participant d’un questionnaire et/ou questionnaire de positionnement en amont et à l’issue de la formation pour validation de l’acquisition des compétences

A qui s'adresse cette formation

  • • Business Analysts
  • • Data Scientists
  • • Participants who want to get started with data science

Pré-requis

• It is recommended that you have an understanding of your business data

Contenu

1:  Introduction to data science and IBM SPSS Modeler     •  Explain the stages in a data-science project, using the CRISP-DM methodology     •  Create IBM SPSS Modeler streams     •  Build and apply a machine learning model 2:  Setting measurement levels     •  Explain the concept of "field measurement level"     •  Explain the consequences of incorrect measurement levels     •  Modify a fields measurement level 3:  Exploring the data     •  Audit the data     •  Check for invalid values     •  Take action for invalid values     •  Impute missing values     •  Replace outliers and extremes 4:  Using automated data preparation     •  Automatically exclude low quality fields     •  Automatically replace missing values     •  Automatically replace outliers and extremes 5:  Partitioning the data     •  Explain the rationale for partitioning the data     •  Partition the data into a training set and testing set 6:  Selecting predictors     •  Automatically select important predictors (features) to predict a target     •  Explain the limitations of automatically selecting features 7:  Using automated modeling     •  Find the best model for categorical targets     •  Find the best model for continuous targets     •  Explain what an ensemble model is 8:  Evaluating models     •  Evaluate models for categorical targets     •  Evaluate models for continuous targets 9:  Deploying models     •  List two ways to deploy models     •  Export scored data

Prix & Delivery methods

Formation en salle équipée

Durée
1 jour

Prix
  • France : 1 490,– €

Actuellement aucune session planifiée