Dell - Data Mining (dvoudenní varianta)

Tento dvoudenní kurz je určen osobám, které chtějí odhalit informace a znalosti ukryté v datech. Cílem tohoto kurzu není ukázat jen vhodné postupy, ale také způsob, jak co nejlépe prezentovat výsledky. V průběhu kurzu budou prezentovány nejrůznější techniky: korelační analýza, regresní analýza, časové řady, klasifikační stromy, neuronové sítě a další. Na závěr budou ukázány konkrétní příklady z oblasti vytěžování dat. V průběhu celého kurzu budou účastníci pracovat s modulem STATISTICA Data Miner.  

Cílová skupina

• Analytik, statistik či datový specialista, který potřebuje zpracovávat rychle velké objemy dat.
• Zájemce o problematiku data miningu (dolování informací z dat).
• Typickými posluchači mohou být analytici z oblasti bankovnictví, pojišťovnictví, ale také pokročilí analytici z oblasti průmyslu.
• Ti, kteří se chtějí seznámit s modulem Data Miner v softwaru Dell Statistica.

Cíle kurzu

• Seznámit se teoreticky, ale i prakticky s množstvím metod spadajících do oblasti data miningu.
• Mimo jiné se účastníci naučí sestavovat a interpretovat predikční modely. Vyhodnotit jejich kvalitu či vybrat, který z výsledných modelů je pro danou situaci nejvhodnější.
• Naučit se pracovat v několika unikátních prostředích Dell Statistica určených přímo pro data mining.
• Naučit se používat modul Data Miner.

Osnova

Úvod

• Základní informace o softwaru STATISTICA
• Výukové zdroje pro software a možnosti nápovědy

Úvod do vytěžování dat, produkt

• Princip, možnosti, využití

Práce s recepty (wizardem)

• Příprava dat (načtení, výběr proměnných, transformace, vzorkování dat, odstranění duplicitních vzorů, filtrace odlehlých hodnot, oprava chybějících údajů)
• Detekce a případné odstranění podobných vstupních příznaků (prediktorů)
• Výběr důležitých prediktorů pro požadovanou úlohu
• Vytváření klasifikačních a regresních modelů
• Vyhodnocení kvality vytvořeného modelů
• Nasazení modelu v praxi

Klasifikační a regresní stromy

• Princip, možnosti, využití
• CART stromy
• CHAID stromy
• Vytváření klasifikačních a regresních stromů v interaktivním režimu (generování stromu, prořezávání stromu, výběr rozhodovacích proměnných, výběr mezí)
• Generované stromy (Boosted Trees)
• Náhodné lesy (Random Forests)

Lineární modely

• Princip regrese
• (Obecné) lineární modely
• Zobecněné lineární modely
• Zobecněné aditivní modely
• MARSplines

Metody shlukování

• K-průměrů (k-means)
• Hierarchické a EM shlukování

Automatizované neuronové sítě

• Princip umělých neuronových sítí, základní typy (MLP, RBF, Kohonenova síť)
• Automatizovaný a vlastní návrh sítě

Metody strojového učení

• Bayesův klasifikátor
• SVM
• k-NN klasifikátor

Analýza nezávislých komponent (ICA) 

Text Mining

• Účel, princip a zdroje text miningu
• Vytvoření a práce s indexovým souborem
• Asociační pravidla a sekvence 

Nasazení modelů na reálná data z praxe 

Kvalita získaných modelů

• Korelační analýza
• ROC křivka
• Grafy zisku a navýšení (Gains/Lift cart)

Metody výběru vhodných příznaků 

Sdružování rozsáhlých skupin hodnot příznaků (Binning) 

Základy práce v pracovní ploše (Workspaces)

• Práce s uzly
• Využití přednastavených úloh (zejména pro klasifikaci a regresi)
• Pro detailnější seznámení s tímto prostředím doporučujeme absolvovat třídenní verzi kurzu Data mining, který je sloučením tohoto dvoudenního kurzu a kurzu Data mining v praxi v prostředí Workspace

Předpoklady účastníka

Běžná obsluha počítače v prostředí Windows, doporučujeme před tímto kurzem absolvovatZákladní kurz statistiky I.

Předchozí kurzy

Doporučujeme před tímto kurzem absolvovat kurz:

Základní kurz statistiky I.

Navazující kurzy

Spolu s dvoudenním kurzem Data mining doporučujeme absolvovat i kurz Data mining v praxi v prostředí Workspace.

Certifikace

Účastník získá certifikát o úspěšném absolvování kurzu.