595609_fr-FR

liliconcom

Page d'accueil du cours "JMP® : Analyser et modéliser des données multidimensionnelles"

Résumé: Ce cours s'adresse aux utilisateurs de JMP qui travaillent avec des données comportant de nombreuses variables. Le cours montre diverses façons d'examiner des données de grande dimension dans moins de dimensions, ainsi que des modèles qui existent dans les données.

Des méthodes d'apprentissage non supervisé sont présentées dans lesquelles les relations entre les observations, ainsi que les relations entre les variables, sont découvertes. Le cours démontre également diverses façons d'effectuer un apprentissage supervisé où les relations entre les variables de sortie et les variables d'entrée sont prises en compte. Dans le cours, l'accent est mis sur la compréhension des résultats de l'analyse et la présentation des conclusions avec des graphiques.

---

Durée: 14 heures de contenu.

---

Modalités :

• en direct en ligne avec instructeur -- Ce cours est disponible périodiquement dans notre horaire des cours publics . Les cours publics sont l'occasion d'apprendre ce contenu avec un instructeur en direct , mais ils ne sont actuellement proposés qu'en anglais et parfois plus pratiques pour un public américain (car la plupart de nos instructeurs se trouvent dans les fuseaux horaires américains). Vous ne voyez pas ce que vous cherchez ?Faites le nous savoir .
• par l'intermédiaire d'un prestataire de formation tiers -- Tout cours de notre programme JMP peut être dispensé par un prestataire de formation agréé, y compris par le biais du service de formation de votre propre entreprise. Contactez votre représentant JMP pour en savoir plus.

---

Conditions préalables: Avant d'assister à ce cours, il est recommandé de compléter le Logiciel JMP® : une approche d'étude de cas pour l'exploration de données et JMP® : Décisions statistiques à l'aide de l'ANOVA et de la régression cours ou avoir une expérience équivalente.

---

Objectifs d'apprentissage:

• Utiliser l'analyse en composantes principales pour réduire le nombre de dimensions de données
• Utiliser des diagrammes de chargement pour comprendre les relations entre les variables
• Interpréter les scores des composantes principales et effectuer une analyse factorielle
• Construire des modèles plus stables en supprimant la colinéarité avec la régression en composantes principales (PCR)
• Identifier les regroupements naturels dans les données via l'analyse de cluster
• Identifier des groupes de variables
• Classer les observations en groupes avec analyse discriminante
• Ajustez des modèles prédictifs multivariés complexes avec des modèles de régression des moindres carrés partiels (PLS).

---

Plan de cours:

Introduction aux données multidimensionnelles

• Analyse multidimensionnelle
• Révision de l'algèbre matricielle

Analyse des composants principaux

• Interprétation des composants principaux
• Trouver les composants principaux

Régression en composantes principales

• Régression en composantes principales

Analyse factorielle

• Extraction de facteurs
• Rotation des facteurs

L'analyse par grappes

• Introduction à l'analyse de cluster
• Classification hiérarchique
• K -signifie le regroupement
• Regroupement de variables

Analyse discriminante

• Discrimination
• Classification

Régression des moindres carrés partiels

• Algorithmes PLS
• Rapports PLS

Modélisation statistique avancée