IBM SPSS-Statistiken. Level 5. Multivariate statistische Analyse – Kurs 34.990 RUB. vom Spezialisten, Ausbildung 32 ac. h., Datum: 17. September 2023.

Ein professioneller Lehrer-Praktiker mit umfangreicher und vielfältiger Berufserfahrung sowie mehr als 10 Jahren Unterrichtserfahrung. Erklärt Lehrmaterialien auf ansprechende und verständliche Weise und verwendet dabei viele interessante Beispiele aus seiner eigenen Praxis. Die Helligkeit und Lebendigkeit der Präsentation von Alina Viktorovna hilft den Zuhörern, sich schnell und vollständig mit dem Lehrplan vertraut zu machen. Der Lehrer beantwortet ausführlich alle Fragen des Publikums und kommentiert sorgfältig die analysierten Situationen.
Alina Viktorovna verfügt über mehrere Hochschulausbildungen in den Fachrichtungen „Informationstechnologie“ und „Wirtschaftswissenschaftlerin“. Verfügt über einen akademischen Grad als Kandidat der technischen Wissenschaften im Bereich Automatisierung und Steuerung technischer Prozesse in der Industrie. Beteiligt an der Entwicklung statistischer Modelle zur Automatisierung des technologischen Prozesses der Flachglasproduktion, in Projekten zu Implementierung statistischer Methoden zur Prozesskontrolle in der Automobilindustrie (in Werken wie AvtoVAZ, KamAZ, GAZ und usw.). Analysiert das Gesundheitssystem der Regionen der Russischen Föderation. Nimmt als Analytiker an einem Projekt zur Identifizierung unternehmerischer Tendenzen bei Schülern teil.
Sie hat viele pädagogische und methodische Komplexe entwickelt und war wiederholt an der Arbeit der Zertifizierungskommission zur Verteidigung qualifizierter Werke beteiligt. Autor von 17 wissenschaftlichen Arbeiten, darunter wissenschaftliche Artikel in russischen und ausländischen Publikationen. Verfügt über ein Zertifikat der deutschen Firma Q-DAS zur Durchführung von Fachschulungen zur statistischen Prozesskontrolle für die Firma BOSCH.
Alina Viktorovna beherrscht Methoden zur Beschreibung von Geschäftsprozessen, Systemmodellierung, statischen Methoden der Datenverarbeitung und IS-Designstandards einwandfrei. In ihren Lehrveranstaltungen gibt sie Beispiele aus unterschiedlichen Arbeitsbereichen, sodass der Stoff für Studierende aus unterschiedlichen Branchen gleichermaßen verständlich ist.

Modul 1. Clusteranalyse und ihre Anwendung (2 ac. H.)

- Mehrdimensionale Klassifizierungsmethoden
- Konzept und Anwendungsbereiche der Clusteranalyse
- Aufgaben zur Clusteranalyse
- Methoden der Clusteranalyse
- Vor- und Nachteile der Clusteranalyse
- Phasen der Clusteranalyse
- Ausgangsdaten zur Clusteranalyse
- Misst den Abstand zwischen Objekten
- Analyse der Klassifizierungsqualität

Modul 2. Hierarchische Clusteranalyse (4 ac. H.)

- Merkmale der hierarchischen Clusteranalyse
- Algorithmus hierarchischer Methoden der Clusteranalyse
- Misst den Abstand zwischen Clustern
- Verfahrensentfernungen
- Differenzmaße
- Ähnlichkeitsmaße
- Verfahren Hierarchische Clusteranalyse
- Auswahl einer hierarchischen Clusteranalysemethode
- Ergebnisse des Verfahrens der hierarchischen Clusteranalyse
- Grafische Darstellung der Ergebnisse der hierarchischen Clusteranalyse
- Einrichten von Statistiken für das Verfahren der hierarchischen Clusteranalyse
- Speichern neuer Variablen

Modul 3. Klassifizierung nach der k-means-Methode (2 ac. H.)

- Das Wesen und die Merkmale der K-Means-Methode
- Algorithmus der k-means-Methode
- Verfahren zur Clusteranalyse mit der K-Means-Methode
- Ergebnisse des Verfahrens Clusteranalyse mit der k-means-Methode
- Festlegen der Anzahl der Iterationen
- Einrichten zusätzlicher Parameter
- Ergebnisse der Anzeige zusätzlicher Einstellungen
- Speichern neuer Variablen
- Grafische Darstellung der Ergebnisse

Modul 4. Zweistufige Clusteranalyse (4 ac. H.)

- Merkmale der zweistufigen Clusteranalyse
- Voraussetzungen für eine zweistufige Clusteranalyse
- Algorithmus zur zweistufigen Clusteranalyse
- Vorgehensweise Zweistufige Clusteranalyse
- Zusammenfassung der Modellergebnisse
- Bewertung der Clusterstruktur
- Informationen zu Clustern anzeigen
- Informationen zu Clustern anzeigen
- Ausgangskontrolle
- Ausgabe des Verfahrens zur zweistufigen Clusteranalyse
- Zusätzliches Cluster Viewer-Panel
- Auswahl der Beobachtungen nach Clustern
- Parameter des zweistufigen Clusteranalyseverfahrens

Modul 5. Methoden zur Dimensionsreduktion: Faktor- und Komponentenanalyse (4 ac. H.)

- Das Konzept der Faktorenanalyse
- Zweck und Ziele der Faktorenanalyse
- Phasen der Faktorenanalyse
- Voraussetzungen für den Einsatz der Faktorenanalyse
- Komponentenanalysealgorithmus
- Faktoranalysealgorithmus
- Vergleich von Faktoren- und Komponentenanalysen
- Voraussetzungen für den Einsatz von Faktoren- und Komponentenanalysen
- Verfahrensfaktoranalyse
- Ergebnisse des Faktoranalyseverfahrens
- Regeln zur Auswahl von Faktoren
- Auswahl einer Faktoranalysemethode
- Faktorrotationsproblem
- Anpassung der Faktorrotation
- Parameter des Faktoranalyseverfahrens
- Ausgabe deskriptiver Statistiken
- Faktorwerte speichern

Modul 6. Antwortbasierte Klassifizierung: Diskriminanzanalyse (4 ac. H.)

- Segmentierung basierend auf Antworten
- Antwortbasierte Segmentierungsmethoden
- Ausgangsdaten für die Diskriminanzanalyse
- Ähnlichkeiten zwischen Diskriminanzanalyse und logistischer Regression
- Unterschiede zwischen Diskriminanzanalyse und logistischer Regression
- Zweck und Ziele der Diskriminanzanalyse
- Voraussetzungen für die Diskriminanzanalyse
- Phasen der Diskriminanzanalyse
- Methoden der Diskriminanzanalyse
- Ausgangsdaten
- Modell der linearen Diskriminanzanalyse
- Verfahren zur Diskriminanzanalyse
- Ergebnisse des Diskriminanzanalyseverfahrens
- Statistik des Diskriminanzanalyseverfahrens
- Methode des schrittweisen Auswahlverfahrens Diskriminanzanalyse
- Klassifizierung basierend auf den Ergebnissen der Diskriminanzanalyse
- Klassifizierungsstatistik
- Speichern neuer Variablen

Modul 7. Multivariate Varianzanalyse (4 ac. H.)

- Multivariate Varianzanalyse
- Parametrierung des OLM-Multidimensional-Verfahrens
- Hauptergebnisse der multivariaten Varianzanalyse
- ANOVA mit wiederholten Messungen
- GLM-Verfahren – wiederholte Messungen
- Parametrierung des OLM-Wiederholungsverfahrens

Modul 8. Klassifizierungsmodelle basierend auf Entscheidungsbäumen (8 ac. H.)

- Die Essenz der Methode zum Aufbau eines Entscheidungsbaums
- Anwendungsbereiche des Entscheidungsbaums
- Merkmale und Voraussetzungen für die Verwendung der Entscheidungsbaummethode
- Methoden zum Aufbau eines Entscheidungsbaums
- Vergleich von Methoden zum Aufbau eines Entscheidungsbaums
- Prozedurklassifizierungsbäume
- Interpretation und Untersuchung von Entscheidungsbäumen
- Überprüfung der Angemessenheit des Modells
- Anpassen der Ausgabe im Verfahren „Klassifizierungsbäume“.
- Einstellungen und Parameter des Klassifizierungsbaumverfahrens
- Regeln zur Klassifizierung von Beobachtungen
- Kriterien im Klassifizierungsbaumverfahren
- Regressionsentscheidungsbäume
- Konstruktion von Regressions-Entscheidungsbäumen