SPSS软件应用培训班 |
课程背景 |
SPSS Statistics统计分析软件简介
SPSS Statistics 统计分析软件是一款在调查统计行业、市场研究行业、医学统计、政府和企业的数据分析应用中久享盛名的统计分析工具,是世界上最早的统计分析软件,由美国斯坦福大学的三位研究生于1968年研制,1984年SPSS首先推出了世界上第一个统计分析软件微机版本SPSS/PC+,极大地扩充了它的应用范围,并使其能很快地应用于自然科学、技术科学、社会科学的各个领域,世界上许多有影响的报刊杂志纷纷就SPSS的自动统计绘图、数据的深入分析、使用方便、功能齐全等方面给予了高度的评价与称赞。在国际学术界有条不成文的规定,即在国际学术交流中,凡是用SPSS软件完成的计算和统计分析,可以不必说明算法,由此可见其影响之大和信誉之高。
功能全面的统计分析软件
SPSS Statistics非常全面地涵盖了数据分析的整个流程,提供了数据获取、数据管理与准备、数据分析、结果报告这样一个数据分析的完整过程。特别适合设计调查方案、对数据进行统计分析,以及制作研究报告中的相关图表。对于阅读统计分析报告的用户来讲,也已经非常熟悉由SPSS Statistics软件制作完毕的图表。
|
班级规模及环境--热线:4008699035 手机:15921673576( 微信同号) |
保证培训质量,精品小班,注重实践。 |
培训特点 |
个性化、顾问式培训,互动式授课,针对实际需求,项目案例教学,实战项目演示,超级精品小班。 |
培训讲师 |
曙海讲师体系和课程体系历经多年升级,形成了以项目实战经验丰富的工程师为基础,产学研相结合的体系,曙海的学员大部分来自外资企业、上市公司的,研究所的工程师或高校老师,很多学员都参加工作很多年了,这对曙海的讲师形成很高的要求,曙海的讲师队伍名校博士、硕士学历的工程师占绝大多数,他们大部分为上海贝尔,TI德州仪器,华为,中科院,中兴,Xilinx,Intel英特尔,NI公司,Cadence公司,Synopsys,IBM,Altera,Oracle,synopsys,微软,飞思卡尔等大型公司高级工程师,项目经理,技术支持专家,他们有着深厚的专业技能和技术素养,丰富的项目实战经验,基本上都有十多年实际项目经验,开发过多个大型项目。
针对客户实际需求,案例教学,边讲边练,互动式授课,曙海的专家讲师以专业、敬业的精神,倾囊相授,不辜负每个学员的托付和期望。
更多师资力量信息请参见端海师资团队,请点击这儿查看。 |
开课时间和上课地点 |
上课地点:【上海】:同济大学(沪西)/新城金郡商务楼(11号线白银路站) 【北京分部】:北京中山学院/福鑫大楼 【深圳分部】:电影大厦(地铁一号线大剧院站)/深圳大学成教院 【成都分部】:领馆区1号(中和大道) 【沈阳分部】:沈阳理工大学/六宅臻品 【郑州分部】:郑州大学/锦华大厦 【石家庄分部】:河北科技大学/瑞景大厦 【南京分部】:金港大厦(和燕路) 【武汉分部】:佳源大厦(高新二路) 【广州分部】:广粮大厦 【西安分部】:协同大厦
最近开课时间(周末班/连续班/晚班):SPSS软件开课时间:2020年6月15日 |
实验设备和授课方式 |
☆资深工程师授课
☆注重质量
☆边讲边练
☆合格学员免费推荐工作
☆合格学员免费提供培训证明,提升您的职业资质
专注高端培训20年,曙海培训的学员素质得到本行业的广泛认可,学员的能力
得到大家的认同,受到用人单位的广泛赞誉。
★实验设备请点击这儿查看★ |
最新优惠 |
☆具体优惠信息,请点击此处咨询在线客服 |
质量保障 |
1、培训过程中,如有部分内容理解不透或消化不好,可免费在以后培训班中重听;
2、课程完成后,授课老师留给学员手机和Email,保障培训效果,免费提供半年的技术支持。
3、培训合格学员可享受免费推荐就业机会。 |
课程大纲 |
|
第一阶段 |
1. 统计分析概述与SPSS软件
1) 时间序列实例;
2) 时间序列的组成成分;
3) 时间序列分析方法简介;
4) 平稳时间序列;
2. SPSS之数据输入与建立
1) 统计分析要求的数据格式
2) 单选题、多选题、开放题的数据录入;
3) 变量属性:变量名、变量标签、值标签、变量类型、缺失值;
4) 读取SPSS格式、Excel格式、文本格式、数据库等格式数据;
3. SPSS之数据描述
1) 时间序列实例;
2) 时间序列的组成成分;
3) 抽样分布;
4) 参数估计;
5) 假设检验;
4. 方差分析模型
1) 功率表设计n单因素方差分析的数据格式、操作方法与结果解读;
2) 方差分析中各种两两比较方法的选择、操作和结果解读;
3) 一元多因素方差分析模型的原理、操作和结果解读;
4) 多元方差分析模型的原理、操作方法和结果解读;
5) 相应的图形工具在分析中的应用;
5. 相关、回归分析模型
1) 线性回归模型的原理、分析步骤、操作和结果解读;
2) 逐步、前进、后退三种筛选方法的含义与用法、分析结果的阅读;
3) 各种常用模型诊断工具(分类图等)的用法;
4) 加权最小二乘法、两阶段最小二乘法的原理、操作和结果解读;
6. 分类数据分析
1) 列联表分析;
2) 离散选择模型;
3) nlogit模型;
7. 常用抽样技术
1) 抽样技术概述;
2) 概率抽样技术;
3) 非概率抽样技术;
|
|
第二阶段 |
1. 高级数据修改
过滤和选择案例
Do if …Else if
字符串函数
处理日期变量
日期和字符串函数的结合使用?
2. 文件管理
合并文件
数据聚合
拆分文件?
3. SPSS编程:Syntax命令编程及Production Mode来自动化SPSS 包括语法规则、语法文件的构建、及运行方式?
4. 一些实用特性举例
保存变量子集
Utilities(实用程序):定义和使用变量子集
标识重复个案
数据流程化校验?
5. 枢轴表编辑器的用户化输出
6. 移动 SPSS 结果到其他软件
7. 运行SPSS的不同形式 |
第三阶段 高级(一) |
1. 如何确定样本及样本大小影响?
2. 数据描述
数据的图形描述方法?
数据的描述的数值方法
异常值探查
描述分类数据:
分组比较: 分类数据?
探索性数据分析: 区间尺度数据?
3. 假设检验
假设检验的基本思想、概念、基本步骤
组间的均值差异:简单情况
方差齐性检验
单样本均值检验
独立样本均值比较
配对样本均值比较?
4. 方差分析
单因数方差分析
方差分析中的多重比较
因素水平影响程度的对比设计及检验
多因素方差分析
协方差分析简介?
5. 相关性分析
变量之间的关系
相关分析基本方法简介
Person相关系数的计算及检验
偏相关分析?
6. 回归分析初阶
一元线性回归分析简介:回归方程的假定条件、分析步骤、常用指标
一元线性回归分析实例
回归诊断?
7. 双变量画图和统计
8. 非参数检验
9. 相关性分析
相关分析基本方法简介
Person相关系数的计算及检验
偏相关分析?
10. 方差分析:
组间的均值差异II: 单因数 ANOVA?
组间的均值差异 III: 两因数 ANOVA?
方差分析中的多重比较
因素水平影响程度的对比设计及检验
多因素方差分析
协方差分析简介?
11. 回归分析简介
线性回归分析简介:回归方程的假定条件、分析步骤、常用指标一元线性回归分析实例
回归诊断?
12. 数据降维技术
主成份分析?
因子分析?
13. 检验数据分布的正态性
14. 多元均值的推断 |
第四阶段 高级(二) |
1. 多元线性回归
多元线性回归简介:回归方程及系数的检验、自变量筛选方法
多元线性回归:SPSS实现
多重共线性问题
逐步回归分析
回归诊断?
2. Logistic回归
Logistic 回归简介:应用背景、、回归模型、模型的评价指标等
Logistic回归:SPSS实现
回归系数的检验
回归系数的解释
累积Logistic回归简介
累积Logistic回归:SPSS实现
多项logistic回归简介
多项Logistic回归:SPSS实现?
3. 聚类分析
聚类分析简介:基本目标、应用领域、基本思想、主要方法
系统聚类方法简介
系统聚类分析实例
非系统聚类方法,Two-Step聚类、K均值聚类方法简介
非系统聚类方法分析实例?
4. 判别分析
判别分析简介:基本目标、与聚类分析区别、常用方法
判别分析应用实例?
5. 数据降维技术
因子分析:问题背景、目的、分析的原则、基本思想、因子分析模型
主成份分析简介:指导思想、目的、与因子分析区别
因子/主成份个数的确定
因子旋转
因子得分
注意事项及应用建议
因子/主成分分析应用实例?
6. 生存分析
生存分析简介:问题背景、基本概念与有关的统计问题、常用分析方法
Kaplan- Meier及Life table方法原理
Kaplan-Meier分析实例
Cox回归原理
Cox回归分析实例
带着随时间变化协变量的Cox回归?
7. 高级方差分析
MANOVA( 多变量方差分析):问题背景、原理、分析实例
重复测量方差分析:问题背景、原理、分析实例
8. 时间序列分析简介 |
第五阶段 SPSS?Modeler复杂数据分析与智能建模 |
第一部分:
数据挖掘概述
矩阵数据分析
分类分析
聚类分析?
从数据库建模
第二部分:
稀疏数据分析
关联分析与关联计算
高维数据分类与聚类
推荐系统与推荐技术
第三部分:
文本与图像数据处理
网络数据分析
知识展示
数据挖掘研究与项目申请浅谈
第四部分
1、?数据挖掘及其Clementine软件概述
2、?Clementine进行数据预处理
数据的读入(读入数据与合并数据)
变量的管理(变量的说明、变量值的重新计算、生成新变量)
样本的管理(样本的排序、条件筛选、抽样、浓缩、分类汇总、平衡处理等)
3、?Clementine对数据的基本分析
质量的探索
基本描述分析
两分类变量相关性的研究
两总体均值的比较
变量重要性的分析
4、?分类预测方法
K近邻方法
Rule-based?Methods
决策树
神经网络
朴素贝叶斯和信念贝叶斯网络
Boosting方法
支持向量机
案例与Clementine软件操作
5、?关联规则
基本概念与算法
案例与Clementine软件操作
6、?聚类分析
K-均值聚类
层次聚类法
基于密度的聚类方法
案例与Clementine软件操作
第五部分 |
1.建模流程
??1)商业理解
??2)数据理解
??3)数据准备
??4)建立模型
??5)模型的评估
??6)结果的导出 |
2.案例:基于姓名的性别预测
目的:
??1)加强对建模流程的理解及掌握具体的建模操作
??2)了解如何选用模型与处理数据
??3)掌握模型的训练过程与模型的应用过程
??4)掌握贝叶斯网络模型的基本使用方法 |
第六部分: |
?
1.案例:数据库营销优化
背景:
??1)我们通常需要对用户进行定向营销,但是哪些用户更有可能会响应,哪些根本不会响应,会直接影响营销的ROI,我们需要知道如何挑选营销目标
目的:
??1)了解如何通过自动节点来快速选择模型
??2)掌握通过数据审核节点查看数据特点
3)掌握决策树C5.0模型的基本使用方法
? |
?
2.案例:用户的细分
背景:
??1)根据网上的用户行为数据,尝试对用户进行分组,刻画出典型画像,以便进行定向精准营销
目的:
??1)了解聚类与分类的区别
2)掌握K-Means聚类算法的基本使用方法
??3)掌握对聚类结果的解读
??4)了解实际应用中的聚类算法的利弊
? |
?
4.案例:音乐分类与推荐
背景:
1)??如何进行更加有效的个性化的音乐推荐?
2)??如何对客户进行新歌推荐??
目的:
1)??了解数据预处理的重要性
2)??掌握关联模型的使用(案例使用Apriori进行关联分析)
??3)?掌握分类模型的使用(案例使用神经网络模型进行分类)
??4)?了解音乐推荐领域的相关技术 |
?
5.案例:社交网络分析(备选)
背景
??1)如何利用社交网络来识别关键角色,寻找激发口碑的关键点?
目标:
??1)了解两种社交网络算法
??2)掌握社交网络分析建模过程
3)掌握使用社交网络分析的GA算法和DA算法 |
|
|