JOUR 1
Dans ce cours vous apprendrez à minimiser le temps nécessaire à l'analyse des données en utilisant Minitab pour importer des données, développer des approches statistiques solides pour explorer les données, créer et interpréter des visualisations convaincantes et exporter les résultats. Automatisez votre analyse Minitab avec une intervention minimale de l'utilisateur pour gagner du temps. Analysez une variété de jeux de données issues de cas réels pour apprendre à aligner vos applications avec le bon outil d'analyse et à interpréter les résultats statistiques. Apprenez les principes fondamentaux de concepts statistiques importants tels que les tests d'hypothèses et les intervalles de confiance.
Ce cours met fortement l'accent sur la prise de décisions judicieuses basées sur l'application pratique des techniques statistiques couramment utilisées dans les processus industriels et transactionnels de l’entreprise.
Les thèmes abordés sont les suivants :
JOUR 2
Continuez à vous appuyer sur les concepts fondamentaux de l'analyse statistique enseignés dans le cours Fondamentaux de l’analytique en apprenant à explorer et à décrire les relations entre les variables à l'aide d'outils de modélisation statistique. Découvrez et décrivez les caractéristiques des données liées à l'effet et à l'impact du temps, et comment prévoir le comportement futur.
Apprenez à trouver et à quantifier l'effet des variables d'entrée sur la probabilité qu'un événement critique se produise. Des exemples pratiques illustrent la façon dont les outils de modélisation aident à révéler les principales entrées et sources de variation de vos données.
Les thèmes abordés sont les suivants :
JOUR 3
Développez vos analytiques en étudiant les données des problèmes du monde réel rencontrés dans de nombreux secteurs pour explorer et décrire les relations entre les variables. Apprenez à utiliser des techniques d'apprentissage automatique supervisé telles que CART® pour analyser les modèles trouvés dans les données historiques afin d'obtenir de meilleures informations, identifier les risques potentiels, rechercher des opportunités d'amélioration et faire des prédictions sur l'avenir.
Utilisez des outils d'apprentissage automatique non supervisés tels que le regroupement pour détecter les partitions naturelles dans les données et regrouper les observations ou les variables en ensembles homogènes. Réduisez la dimensionnalité des données en transformant les données d'origine en un ensemble de variables non corrélées.
Les thèmes abordés sont les suivants :