595608_zh-CN

liliconcom

“JMP® Pro：预测建模”课程主页

概括：本课程涵盖使用 JMP Pro 软件开发、评估、调整、比较和评分预测模型所需的技能。

本课程教您如何使用广义回归模型、k 最近邻、朴素贝叶斯、支持向量机、决策树和神经网络等机器学习技术构建和理解预测模型。 您还将学习如何使用交叉验证、保留验证和信息论标准来验证预测模型。

---

期间： 14 小时的内容。

---

方式：

• 与讲师在线直播 -- 该课程定期在我们的网站上提供公共课程表. 公共课程是一个学习这些内容的机会现场指导员，但它们目前仅以英语提供，有时对美国观众来说最方便（因为我们的大多数讲师都在美国时区）。 没有看到您要查找的内容？让我们知道.
• 通过第三方培训供应商——我们 JMP 课程中的任何课程都可以由获得许可的培训供应商教授，包括通过您自己公司的培训部门。 联系您的 JMP 代表以了解更多信息。

---

先决条件：在参加本课程之前，建议您完成JMP® 软件：数据探索的案例研究方法和JMP®：使用方差分析和回归的统计决策课程或具有同等经验。

---

学习目标：

• 开发、比较和解释复杂模型。
• 使用分区平台进行预测建模，包括 bagging、bootstrap forest、boosted trees。
• 使用神经网络进行预测建模，包括 k 折交叉验证、多层神经网络和增强。
• 调整预测模型。
• 在 JMP 中对新数据进行评分并生成评分代码以供在其他软件中使用。
• 将预测模型部署到生产中。

---

课程大纲：

预测建模简介

• 预测建模有何不同？
• 导入数据和清理。
• 概括和诚实的评估。

预测建模平台概述

使用分区平台进行预测建模

• 递归分区。
• 套袋。
• 引导森林。
• 提升树模型。
• 调整，

使用神经网络进行预测建模

• 拟合神经网络模型。
• 神经网络架构。
• k 折交叉验证。
• 增强神经网络。
• 调整。

选择和部署预测模型

• 模型比较。
• 合奏模型。
• 配方仓库。

预测建模和机器学习