Data Mining in TIBCO® Data Science / Statistica™

Data Mining in TIBCO® Data Science / Statistica™ (SDM)

Die­ses Trai­ning ist eine Ein­füh­rung in das Data Mining mit der Soft­ware TIBCO Sta­tis­ti­ca™. Data Mining eig­net sich beson­ders, wenn gro­ße und hete­ro­ge­ne Daten­be­stän­de aus­ge­wer­tet wer­den sol­len. Die Teil­neh­mer erhal­ten einen Über­blick über die Bedie­nung der Soft­ware, die wich­tigs­ten Vor­ge­hens­wei­sen und Ver­fah­ren und ler­nen, Ana­ly­sen sel­ber durch­zu­füh­ren.

Inhal­te

• • Data Mining: Über­blick
  • Pro­gno­se Model­le in Sta­tis­ti­ca
  • Erstel­len eines Modells
  • Ver­glei­chen von Model­len
  • Anwen­den von Model­len (Deploy­ment)
  • Unsu­per­vi­sed Lear­ning
  • Fea­ture Sel­ec­tion
  • Super­vi­sed Lear­ning (Klas­si­fi­ka­ti­on & Regres­si­on)

Typ
TIBCO Sta­tis­ti­ca™ ist eine umfang­rei­che, eta­blier­te und benut­zer­freund­li­che Data Sci­ence Anwen­dung aus dem Hau­se TIBCO®. TIBCO Sta­tis­ti­ca™ ist als ‘TIBCO® Data Sci­ence - Sta­tis­ti­ca®’ im Paket ‘TIBCO® Data Sci­ence’ ent­hal­ten. In Zukunft wird TIBCO Sta­tis­ti­ca™ als ‘TIBCO® Data Sci­ence - Work­bench®’ erhält­lich sein.

Unse­re Sta­tis­ti­ca-Trai­nings geben einen sys­te­ma­ti­schen Ein­blick in die Soft­ware, dabei wer­den ein­zel­ne Kom­po­nen­ten schritt­wei­se ein­ge­führt und die Bedie­nung anhand von Übun­gen ver­tieft. Als Bei­spie­le die­nen all­ge­mein ver­ständ­li­che Daten­sät­ze aus ver­schie­de­nen Anwen­dungs­be­rei­chen. In unse­rem Schu­lungs­zen­trum in Ham­burg steht für jeden Teil­neh­mer ein Schu­lungs-PC zur Lösung der Auf­ga­ben zur Ver­fü­gung. Unse­re Trai­ner gehen auf alle Fra­gen der Teil­neh­mer ein und beant­wor­ten die­se im Trai­nings­ver­lauf an pas­sen­der Stel­le. Die Trai­nings­un­ter­la­gen wer­den als PDF zur Ver­fü­gung gestellt. Alle bear­bei­te­ten Auf­ga­ben und Ergeb­nis­se erhal­ten die Teil­neh­mer im Anschluss an das Trai­ning.

Stich­wor­te
Alter­na­ting Least Squa­res, Asso­zia­ti­ons­re­geln, AUC, Boos­ted Trees, C&RT, CHAID, Clus­ter­ana­ly­se, Clus­te­rung, CRISP, Daten­ge­trie­be­ne Eva­lu­ie­rung, EM-Clus­te­rung, Ent­schei­dungs­bäu­me, Feh­ler­kos­ten, k-Means, K-Nea­rest Neigh­bors, Klas­si­fi­ka­ti­on, Kreuz­va­li­die­rung, Künst­li­che Neu­ro­na­le Net­ze, Las­so Regres­si­on, Link Ana­ly­se, Logis­ti­sche Regres­si­on, MARSpli­nes, Modell­an­wen­dung, Modell­ver­gleich, Nai­ve Bayes, PMML, Pre-Pro­ces­sing, Ran­dom Forest, Recom­men­da­ti­on, Regres­si­on, ROC, Sam­pling, Stra­ti­fi­zie­rung, Sup­port Vec­tor Machi­nes, Tref­fer­ra­te, Über­wach­tes Ler­nen, Unüber­wach­tes Ler­nen, Waren­korb­ana­ly­se

Vorraus­set­zun­gen
Um von der Schu­lung in vol­lem Umfang pro­fi­tie­ren zu kön­nen, soll­ten die Teil­neh­mer über Grund­kennt­nis­se in mul­ti­va­ria­ter Sta­tis­tik ver­fü­gen.