| 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 |
|
| |
总部李老师