nav[aria-label="Primary Navigation"] { padding: 0; & ul { list-style: none; width: 100%; display: flex; flex-direction: row; justify-content: start; align-items: start; gap: 30px; padding: 0; & li { margin: 0; } & ul li { list-style: none; } } }

595610_de-DE

liliconcom

Kurs-Homepage „JMP®: Analyzing Discrete Responses“.

Zusammenfassung: In diesem Kurs lernen Sie, wie Sie diskrete (oder kategoriale) Daten oder Ergebnisse mithilfe von Assoziationen, Kontingenztabellen, Schichtung, Korrespondenzanalyse, logistischer Regression, verallgemeinerten linearen Modellen, Partitionierung und künstlichen neuronalen Netzwerkmodellen analysieren.

Dauer: 7 Stunden Inhalt.

Modalitäten:

Live online mit Dozent – Dieser Kurs ist regelmäßig (aber selten) in unserem verfügbar öffentlicher Kursplan . Die öffentlichen Kurse bieten die Möglichkeit, diese Inhalte mit einem Live-Lehrer zu lernen, aber sie werden derzeit nur auf Englisch angeboten und sind manchmal für ein US-Publikum am bequemsten (da sich die meisten unserer Lehrkräfte in US-Zeitzonen befinden). Sehen Sie nicht, was Sie suchen?Lass uns wissen .
über einen externen Schulungsanbieter – Jeder Kurs in unserem JMP-Lehrplan kann von einem lizenzierten Schulungsanbieter abgehalten werden, einschließlich über die Schulungsabteilung Ihres eigenen Unternehmens. Wenden Sie sich an Ihren JMP-Vertreter, um mehr zu erfahren.

Voraussetzungen: Vor der Teilnahme an diesem Kurs wird empfohlen, dass Sie das absolvieren JMP® Software: Ein Fallstudienansatz zur Datenexploration Und JMP®: Statistische Entscheidungen mit ANOVA und Regression Kurse oder haben gleichwertige Erfahrung.

Lernziele:

Untersuchen Sie Assoziationen zwischen Variablen
Führen Sie Chi-Quadrat- und exakte Fisher-Tests durch
Führen Sie eine geschichtete Analyse durch
Korrespondenzanalyse durchführen
Führen Sie eine logistische Regression durch
Interpretieren der Ausgabe der logistischen Regression
Anpassen einer binären Antwort und einer Anzahl von Ereignissen mit verallgemeinerten linearen Modellen (GLM)
Passen Sie ein Entscheidungsbaummodell an
Passen Sie ein künstliches neuronales Netzwerkmodell an.

Kursübersicht:

Verbände

Einführung in kategoriale Daten
Assoziationen zwischen Variablen untersuchen
Korrespondenzanalyse

Logistische Regression

Wahrscheinlichkeitsansatz
Binäre logistische Regression
Nominale und ordinale logistische Regressionsmodelle

Verallgemeinerte lineare Modelle

Die Verallgemeinerung
Logistische Regression neu aufgelegt
Poisson-Regression

Rekursive Partitionierung

Partitionsplattform

Modelle künstlicher neuronaler Netze

Neuronale Plattform

Fortgeschrittene statistische Modellierung

Vorhersagemodellierung und maschinelles Lernen

Comments

There are no comments yet