Analyse prédictive

Durant cette formation, vous découvrirez comment réaliser plus vite une analyse des données en utilisant Minitab. Nous verrons comment importer des données, développer des approches statistiques pertinentes pour l'exploration de données, créer et interpréter des visualisations claires et exporter les résultats. Vous apprendrez à automatiser votre analyse Minitab avec un minimum de manipulations pour gagner du temps. Nous analyserons un éventail de fichiers de données présentant des exemples concrets afin que vous appreniez à identifier l'outil d'analyse approprié pour chaque cas de figure, ainsi qu'à interpréter les résultats statistiques. Vous apprendrez également les bases d'importants concepts statistiques tels que les tests d'hypothèse et les intervalles de confiance.

Ce cours vous apprendra tout particulièrement à prendre des décisions éclairées en mettant en pratique des techniques statistiques couramment employées dans les procédés commerciaux, de fabrication et transactionnels.

Vous êtes prêt(e) à poursuivre votre apprentissage des principaux concepts d'analyse statistique enseignés dans le cours L'essentiel de Minitab ? Ce cours vous enseigne comment explorer et décrire les relations entre les variables à l'aide d'outils de modélisation statistique. Vous découvrirez et décrirez les caractéristiques des données relatives à l'effet et à l'impact du temps, et apprendrez à prévoir le comportement futur.

Ce cours explique comment rechercher et quantifier l'effet des variables d'entrée sur la probabilité qu'un événement essentiel se produise. Des exemples pratiques illustreront la façon dont les outils de modélisation permettent de connaître les données clés et les sources de variation de vos données.

Ce cours vous aidera à améliorer vos compétences en analyse de données avec des exemples concrets pour vous apprendre à étudier et à décrire les relations entre les variables. Vous découvrirez comment utiliser des techniques d'auto-apprentissage par la machine supervisées telles que CART® pour analyser les tendances observées dans les données historiques afin d'obtenir de meilleures informations, d'identifier les risques potentiels, de rechercher des opportunités d'amélioration et de faire des prévisions sur l'avenir.

Utilisez des outils d'auto-apprentissage par la machine non supervisés tels que la mise en cluster pour détecter des partitions naturelles dans les données et regrouper les observations ou les variables en ensembles homogènes. Réduisez également la dimensionnalité des données en transformant les données d'origine en un ensemble de variables sans corrélation.