595608_zh-TW

liliconcom

“JMP® Pro：預測建模”課程主頁

概括：本課程涵蓋使用 JMP Pro 軟件開發、評估、調整、比較和評分預測模型所需的技能。

本課程教您如何使用廣義回歸模型、k 最近鄰、樸素貝葉斯、支持向量機、決策樹和神經網絡等機器學習技術構建和理解預測模型。 您還將學習如何使用交叉驗證、保留驗證和信息論標準來驗證預測模型。

---

期間： 14 小時的內容。

---

方式：

• 與講師在線直播 -- 該課程定期在我們的網站上提供公共課程表. 公共課程是一個學習這些內容的機會現場指導員，但它們目前僅以英語提供，有時對美國觀眾來說最方便（因為我們的大多數講師都在美國時區）。 沒有看到您要查找的內容？讓我們知道.
• 通過第三方培訓供應商——我們 JMP 課程中的任何課程都可以由獲得許可的培訓供應商教授，包括通過您自己公司的培訓部門。 聯繫您的 JMP 代表以了解更多信息。

---

先決條件：在參加本課程之前，建議您完成JMP® 軟件：數據探索的案例研究方法和JMP®：使用方差分析和回歸的統計決策課程或具有同等經驗。

---

學習目標：

• 開發、比較和解釋複雜模型。
• 使用分區平台進行預測建模，包括 bagging、bootstrap forest、boosted trees。
• 使用神經網絡進行預測建模，包括 k 折交叉驗證、多層神經網絡和增強。
• 調整預測模型。
• 在 JMP 中對新數據進行評分並生成評分代碼以供在其他軟件中使用。
• 將預測模型部署到生產中。

---

課程大綱：

預測建模簡介

• 預測建模有何不同？
• 導入數據和清理。
• 概括和誠實的評估。

預測建模平台概述

使用分區平台進行預測建模

• 遞歸分區。
• 套袋。
• 引導森林。
• 提升樹模型。
• 調整，

使用神經網絡進行預測建模

• 擬合神經網絡模型。
• 神經網絡架構。
• k 折交叉驗證。
• 增強神經網絡。
• 調整。

選擇和部署預測模型

• 模型比較。
• 合奏模型。
• 配方倉庫。

預測建模和機器學習