Description
Nous offrons la formation officielle IBM en français avec la préparation des certifications officielles sans frais supplémentaires.
| Code IBM: 0G09AG | Catégorie / sous-catégorie: SPSS / SPSS Statistics |
| Modalité: En ligne et en présentiel | Durée en jours: 2 |
Type de public auquel la formation s’adresse:
Toute personne travaillant avec IBM SPSS Statistics et souhaitant apprendre des procédures statistiques avancées pour être en mesure de mieux répondre aux questions de recherche.
Pré requis souhaités:
- Expérience avec IBM SPSS Statistics (navigation dans les fenêtres; utilisation des boîtes de dialogue)
- Connaissance des statistiques, soit par expérience professionnelle, cours orientés statistiques de niveau intermédiaire, ou achèvement du cours Analyse statistique à l’aide d’IBM SPSS Statistics (V25).
Instructeurs
La grande majorité des cours IBM que nous proposons sont dispensés directement par nos ingénieurs. C’est la seule façon de garantir la meilleure qualité. Nous complétons toutes les formations avec des matériels et des laboratoires de notre propre élaboration, basés sur notre expérience au cours des déploiements, des migrations et des cours que nous avons réalisés pendant toutes ces années. Nous donnons tous nos cours en français.
Valeur ajoutée
Nos cours sont profondément orientés vers le rôle à jouer. Il n’en va pas de même pour une équipe de développeurs de maîtriser une technologie que pour les personnes chargées de déployer et de gérer l’infrastructure. C’est pourquoi, au-delà des commandements et des tâches, nous nous concentrons sur la résolution des problèmes qui se posent dans la vie quotidienne de chaque équipe. Leur fournir les connaissances, les compétences et les aptitudes requises pour chaque projet. En outre, notre documentation est basée sur la dernière version de chaque produit.
Agenda et programme des cours
Introduction à l’analyse statistique avancée
& bull; Taxonomie des modèles
& bull; Présentation des modèles supervisés
& bull; Présentation des modèles pour créer des groupements naturels
Variables de groupe: analyse factorielle et analyse des composantes principales
& bull; Principes de base de l’analyse factorielle
& bull; Principes de base des composants
& bull; Hypothèses d’analyse factorielle
& bull; Problèmes clés de l’analyse factorielle
& bull; Améliorer l’interprétabilité
& bull; Utiliser les scores des facteurs et des composants
Regrouper les cas similaires: Analyse de cluster
& bull; Principes de base de l’analyse de cluster
& bull; Principaux problèmes liés à l’analyse des clusters
& bull; Analyse des clusters K-Means
& bull; Hypothèses de l’analyse des clusters K-Means
& bull; Analyse de cluster en deux étapes
& bull; Hypothèses de l’analyse de cluster TwoStep
Prédire les cibles catégorielles avec l’analyse du voisin le plus proche
& bull; Principes de base de l’analyse des voisins les plus proches
& bull; Problèmes clés dans l’analyse des voisins les plus proches
& bull; Évaluer l’ajustement du modèle
Prédire les cibles catégorielles avec l’analyse discriminante
& bull; Principes de base de l’analyse discriminante
& bull; Le modèle d’analyse discriminante
& bull; Concepts de base de l’analyse discriminante
& bull; Classification des cas
& bull; Hypothèses d’analyse discriminante
& bull; Valider la solution
Prédire les cibles catégorielles avec la régression logistique
& bull; Principes de base de la régression logistique binaire
& bull; Le modèle de régression logistique binaire
& bull; Principes de base de la régression logistique multinomiale
& bull; Hypothèses des procédures de régression logistique
& bull; Test d’hypothèses
Prédire des cibles catégorielles avec des arbres de décision
& bull; Notions de base sur les arbres de décision
& bull; Validez la solution
& bull; Explorez CHAID
& bull; Explorez CRT
& bull; Comparaison des méthodes d’arbres de décision
Introduction à l’analyse de survie
& bull; Principes de base de l’analyse de survie
& bull; Analyse Kaplan-Meier
& bull; Hypothèses de l’analyse de Kaplan-Meier
& bull; Régression de Cox
& bull; Hypothèses de la régression de Cox
Introduction aux modèles linéaires généralisés
& bull; Principes de base des modèles linéaires généralisés
& bull; Distributions disponibles
& bull; Fonctions de lien disponibles
Introduction aux modèles mixtes linéaires
& bull; Principes de base des modèles mixtes linéaires
& bull; Modèles linéaires hiérarchiques
& bull; Stratégie de modélisation
& bull; Hypothèses de modèles mixtes linéaires
Vous avez besoin d’adapter ce programme à vos besoins? D’autres cours vous intéressent? Consultez-nous sans engagement.
Emplacements d’enseignement présentiels
- France: Marseille, Paris, Lyon, Bourdeaux
- Belgique: Bruxelles, Gand et Anvers
- Quebec: Montreal
- Senegal: Dakar
- Maroc: Rabat, Marrakech, Casablanca
- Algérie : Alger
- Luxembourg: Luxembourg
- Suisse: Géneve
- Lyban: Beyrouth
- Guinée: Conakry
- Tunisie: Tunis
