Chapitre 1.
Analyse des données commerciales et JMP
1.1 Analyse des données commerciales
1.2 L'intersection de l'apprentissage automatique et des approches statistiques et l'utilisation de JMP
1.3 Interface JMP et environnement d'analyse

Chapitre 2.
Comprendre le flux global de l'apprentissage automatique
2.1 Flux général et termes clés de l'apprentissage automatique
2.2 Types de données et prétraitement
2.3 Sélection des variables et ingénierie des caractéristiques
2.4 Indicateurs de comparaison des performances du modèle

Chapitre 3.
Apprentissage supervisé I ? Prédiction par analyse de régression
3.1 Analyse de régression simple
3.2 Modèle de régression multiple : Ajustement du modèle
3.3 Analyse de régression logistique
3.4 Analyse de régression généralisée (méthode de sélection des variables)
3.5 Analyse de régression par étapes

Chapitre 4.
Apprentissage supervisé II ? Arbres de décision
4.1 Arbre de décision (partition)
4.2 Forêt Bootstrap
4.3 Arbre amélioré

Chapitre 5.
Apprentissage supervisé III ? Réseaux de neurones artificiels
5.1 Introduction à la plateforme de réseau neuronal
5.2 Stratégies d'amélioration des performances et d'interprétation des modèles de réseaux neuronaux

Chapitre 6.
Apprentissage non supervisé I ? Réduction de dimensionnalité
6.1 Analyse en composantes principales et analyse factorielle (ACP et AFE)
6.2 Mise à l'échelle multidimensionnelle (MDS)
6.3 Intégration multivariée

Chapitre 7.
Apprentissage non supervisé II ? Techniques de clustering
7.1 Classification hiérarchique
7.2 Clustering K-means
7.3 Analyse des mélanges normaux
7.4 Analyse des classes latentes

Chapitre 8 : Techniques spécialisées et analyses avancées
8.1 Moindres carrés partiels
8.2 Modèle d'équations structurelles
8.3 Explorer les valeurs aberrantes
8.4 Sélection du modèle

Références
Recherche