Choisissez la formation. Qui vous intéresse! SPSS Maghreb 72,Av.des Nations Unies Rabat-Agdal-Maroc. Tél : /67 Fax :
|
|
- Jacqueline Desjardins
- il y a 8 ans
- Total affichages :
Transcription
1 SPSS Maghreb 72,Av.des Nations Unies Rabat-Agdal-Maroc Tél : /67 Fax : Choisissez la formation spssmaroc@maghrebnet.net.ma Qui vous intéresse! Site web :
2 A chaque métier, Statistical Products Solutions & Services sa formation
3 Chers utilisateurs, Vous nous avez fait confiance dans le choix de votre logiciel SPSS, outil d analyse puissant qui vous aidera quotidiennement dans un grand nombre de vos problématiques. Afin de vous donner pleinement satisfaction, nous souhaitons vous accompagner dans la découverte et l exploration des fonctionnalités de nos produits pour vous permettre une exploitation rapide et optimale de vos données. Nous avons donc développé une gamme complète de modules de formation visant à offrir à chaque utilisateur, une approche pratique du logiciel ainsi que l apprentissage des techniques statistiques utilisées pour vos analyses. Vous trouverez dans ce catalogue, en fonction de votre activité et de vos besoins, la formation qui vous permettra d acquérir ou d élargir vos connaissances. L équipe de formateurs SPSS Maghreb met à votre disposition la pleine mesure de ses compétences pour vous transmettre l essentiel dont vous avez besoin. A bientôt, chez SPSS Maghreb
4 Data management et reporting I Data management et reporting II Statistiques exploratoires Réalisation de masques de saisie Elaboration de typologies Construction de scores et segmentation Analyse conjointe Séries chronologiques et prévisions Analyse de variance et approche GLM Analyse de survie Modèles de régression Programmation et syntaxes Formations Introduction à Clementine Modèles avancés avec Clementine Bon de commande
5 Data management et reporting I Naviguer dans SPSS, différencier les outils de mise en forme des outils de traitement, effectuer une étude statistique simple incluant tableaux descriptifs et graphiques. Connaître les outils de Datamanagement du module de base dans le but de posséder tous les éléments nécessaires à la préparation d un fichier de données avant traitement. Module nécessaire : SPSS Base 3 jours 2 Présentation de SPSS - Editeur de données. - Fenêtre de résultats. -Syntaxe et script. 2 Importation des données dans SPSS - Ouverture directe. - Requêtes ODBC. - Lecture de données ASCII. 2 Premières mises en forme de fichier de données - Définition de variables, modèles, dictionnaire. - Création de filtres de données, ventilation d un fichier. - Personnalisation des menus déroulants et barres d outils. 2 Création de nouveaux champs - Création de variables simples. - Recodage automatique de variables. - Recodage manuel. - Discrétisation. 2 Elaboration de rapports standards - Tableaux de fréquences et Caractéristiques. - Tableaux croisés et tableaux de bord. - Modèles et exportation vers Word et Excel. 2 Création et modification de graphiques standards - Diagrammes en bâtons, en aire, en secteurs, curviligne. - Personnalisation des graphes et utilisation de modèles. - Formatage et exportation vers Word. - Mise en forme du rapport final. 2Calcul de nouvelles variables - Calcul de variables conditionnelles. - Variables chaînes de caractères. - Variables Dates. 2 Complément sur la mise en forme d un fichier - Fusion par observations. - Fusion par variables simple. - Fusion par variables avec table de consultation. - Agrégation de fichier 2 La notion de cube OLAP - Structure pivotante d un cube OLAP. - Personnalisation d un cube. - Modèles de cube. 2 Graphiques interactifs - Propriétés standards des graphiques interactifs. - Gestionnaire de diagrammes. - Modèles de diagrammes. 2 Automatisation des tâches - Génération de syntaxe avec la commande coller. - Récupération de la syntaxe du fichier journal. - Elaboration d un programme simple. - Utilisation des aides. - Mode production et exécution à partir de manus personnalisés
6 Data management et reporting II Découvrir les principes d utilisation des outils de reporting avancés ainsi que Leurs fonctionnalités. Adapter la structure des données en fonction des tableaux recherchés. 2 Tableaux généraux Pré-requis : Data management et Reporting Modules nécessaires : SPSS Base. SPSS Tableaux. 1 jour 2 Tableaux statistiques de Base - Croisement de variables nominales. - Prise en compte d une variable en strate. - Pourcentages multiples. - Positionnement des étiquettes et formatage. - Emboîtement et listage. -Edition et notion de tableau pivotant. - Tableaux de moyennes. 2 Tableaux de fréquences - Tableaux de fréquences simples. - Tableaux de fréquences multiples. - Fréquences pondérées. -Croisement de variables nominales. - Positionnement des étiquettes. - Prise en compte de variables continues. - Traitement des réponses multiples. - Traitement des réponses multiples dichotomiques. 2 Exportation des résultats - Exportation des résultats vers un traitement de texte. - Exportation des résultats vers un tableur. - Lien Active. - Utilisation de scripts. 2 Fonctions avancées - Utilisation de la syntaxe et du mode production. - Comparaison de groupes spécifiques. - Pourcentage cumulé. - Pourcentage et moyenne pour variables multiples.
7 Statistiques exploratoires Découverte des premiers éléments constitutifs d une phase exploratoire Acquérir une méthodologie pour mener à bien la phase descriptive et déboucher sur des analyses multivariées. Pré-requis: Data management et Reporting I Modules nécessaires: SPSS Base 2 jours 2 Statistiques descriptives - Quelques concepts de base. - Description d une variable quantitative, qualitative ordinale. - Etude d une distribution. 2 Estimation et tests - Les principales lois de probabilité. - Démarche suivie pour une estimation. - Estimation d une moyenne. - Test d hypothèse. 2 Etude des relations entre variables continues - Corrélations bivariées de Pearson. - Extension :régression linéaire simple. 2 Extension d une étude de corrélations Régression linéaire - Choix du modèle. - Vérification des hypothèses de base. - Choix des variables et tests de significativité. - Traitement des ponts aberrants. - Etude des résidus 2 Etude d un tableau croisé - Tests d indépendance du Chi 2. - Tests/Mesures de discordance: Tau-b de Kendall et Kappa. - Risques relatifs. 2 Complément sur les tests non paramétriques - Le test d ajustement du Chi-2. - Le test Binomial. - Le test de normalité. - Le test de Suites. 2 Comparaison d échantillons indépendants - Comparaison de deux échantillons indépendants - Comparaison de K échantillons indépendants. 2 Etude d un comportement entre plusieurs groupes: Analyse de la variance à un facteur. - Vérification des hypothèses de base. - Somme des carrés inter et intra groupes. - Tests de comparaisons multiples. - Choix de la modalité de référence. - Violation des hypothèses de base:test de Kruskal-Wallis. 2 Comparaison d échantillons appariés - Comparaison de deux échantillons appariés. - Comparaison de K échantillons appariés.
8 Réalisation de masques de saisie Maîtriser la conception de formulaires d enquêtes professionnels. Faciliter et fiabiliser la collecte des données. 2 Présentation de SPSS Data Entry -Les fenêtres. - Les fichiers. Pré-requis : Aucun Modules nécessaires: SPSS Base SPSS Data Entry - Les questions. - Les variables. 2 Formalisation du questionnaire - Création des questions. - Formatage de questions. - Création de variables. - Relations entre variables. 2 Récolte des données - Saisie à partir de formes. - Saisie à partir d une table. 1 jour - Définition d un ordre de saisie. - Modification de variable lors de la saisie. 2 Programmation de règles - Règles de validation. - Règles de vérification. - Règles de saut et remplissage.
9 Construction de modèles
10 Elaboration de typologies Mettre en avant des typologies ou classes de population. Distinguer les contextes d utilisation des principaux outils de traitements statistiques en fonction de la nature de variables. Pré-requis : Data management et Reporting I Statistiques exploratoires Modules nécessaires : SPSS Base SPSS Correspondances 2 jours 2 Détermination de classes d individus en fonction de leurs ressemblances - Les stratégies d agrégation: méthode de Ward, saut minimum, saut maximum,distance moyenne entre les classes,médiane. - Les mesures de distance sur données continues qualitatives, ou binaires. - Les techniques de standardisation des valeurs et des mesures. -Le dendogramme et les indices de niveau. - Description des classes. 2 Classification Nuées Dynamiques - Classement simple, classement avec nouveaux centres. - Utilisation de centres de classes existants. - Détermination du nombre classes et description des classes. 2 Extensions à des volumes de données importants: les classifications mixtes - Avantages et inconvénients de la classification hiérarchique et des nuées dynamiques. - Deux algorithmes de classification mixte. 2 Construction de typologie sur une population définie par des critères continus -La réduction des données. - Pourcentage de variance expliquée. - Qualité de représentation des axes et des variables. - Faciliter l interprétation des résultats: les techniques de rotation(varimax, Equamx, Quartimax.) - Coordonnées factorielles et poids des individus. - Description des classes, individus et variables supplémentaires. - Extensions.
11 Construction de scores et segmentation Segmenter une population afin d en déterminer les principaux profils. Construire un score à partir de SPSS et d Answer Tree afin de déterminer les facteurs influents. Pré-requis: Data Management et Reporting I Statistiques exploratoires Modules nécessaires : SPSS Base SPSS Modèles de régression Answer Tree 2 jours 2 Introduction -Eléments de méthodologie générale. 2 Calcul d un score à travers les techniques de segmentations - Terminologie des arbres de segmentation. - Utilisation et domaines d appplication. - Méthodes de segmentation de Answer Tree: CHAID, Exhaustive CHAID, C&RT et QUEST. - Interprétation d un arbre de segmentation. - Apprentissage, test et déploiement. 2 Prédiction d un score pour une population définie par deux classes ou plus: l analyse discriminante - L objectif de l analyse discriminante. - Les hypothèses de base et leur vérification. - Méthodes pas à pas et sélection de variables. - Coefficients des fonctions de score, fonctions discriminantes et fonctions de Fisher. - Comment lever certaines des hypothèses de base de l analyse discriminante? -Echantillon d apprentissage et échantillon de tests. - Matrice de confusion et qualité de prédiction. - Déploiement du score. 2 Prédiction d un score pour une population définie par deux classes la régression logistique binaire - Une analyse de régression particulière. - Interprétation des coefficients. - Contrastes pour variables nominales. - Echantillon d apprentissage et échantillon de test. - Matrice de confusion et qualité de prédiction. - Déploiement du score. 2 La comparaison des performances des modèles - Les matrices de confusion. - Les courbes de gains ou de concentration multiples. - Les courbes ROC.
12 Analyse conjointe Pré-requis : Data management et Reporting I Statistiques exploratoires Modules nécessaires : SPSS Base SPSS Conjointe 1 jour Estimer les paramètres et interpréter les principaux résultats. Créer un plan orthogonal et des cartes de choix. 2 Présentation de l analyse conjointe -La problématique. - Exemple d applications et d utilisation de l analyse conjointe. 2 Modélisation en analyse conjointe - Le modèle d utilité additive. - Le modèle résumé d utilité additive. 2 Les plans d expérience pour la détermination de produits - Rappel sur les plans d expérience complet. - Les plans d expérience fractionnaires. - Générations de plans fractionnaires orthogonaux. 2 Techniques de receuil - Edition des cartes de choix. - Présentation des consignes à l enquêté. - Saisie des données selon les modes de classement. 2 Calcul des résultats - Rappel sur l utilisation de la syntaxe SPSS. - Utilisation de la procédure conjioint de SPSS. - Etude des résultats. 2 Simulations - Introduction de produits simulés. - Simulation de parts de marché.
13 Séries chronologiques Choisir la technique en fonction de la nature de vos variables et de vos séries. Interpréter des tests de validation et des graphiques associés. Effectuer des prévisions à travers les différents types de modélisation de séries temporelles et prévisions Pré-requis : Data management et Reporting I Statistiques exploratoires Modules nécessaires : SPSS Base SPSS Series 2 jours 2 Méthode empirique d analyse de séries chronologiques Analyse de la tendance - Ajustement de fonctions. - Elimination de la tendance. Analyse de la composante saisonnière - Etude de la périodicité de la série. - Définition de la périodicité. - Identification de la composante saisonnière. - Désaisonnalisation 2 Les méthodes de prévision par lissage - Le lissage exponentiel simple. - Le lissage exponentiel de Holt. - Le lissage exponentiel de Winters. 2 Modélisation univariée de Box et Jenkins Stationnarité - Fonctions d autocorrélation. - Tests sur les fonctions d autocorrélation. - Exemples d autocorrélogrammes simples. Processus autorégressif AR - Formulation. - Caractérisation. Processus moyenne mobile MA - Formulation. -Caractérisation. Processus ARMA - Formulation. - Caractérisation. Processus ARIMA et SARIMA Méthodologie de Box et Jenkins 2 Modèles multivariés - Etude des décalages: Les corrélations croisées. - Les méthodes de régression. - Les modèles autorégréssifs. - Prévisions.
14 Analyse de variance & approche GLM Pré-requis: Data management et Reporting I Statistiques exploratoires Modules nécessaires : SPSS Base SPSS Modèles avancés 2 jours Tester les effets de facteurs/variables. Détecter la présence d interactions. 2 Introduction - Le principe des comparaisons de moyennes. - Quelques outils graphiques. - Statistique paramétrique et non paramétrique. 2 Tests paramétriques et non paramétriques de comparaison de 2 moyennes ou de 2 distributions - Tests pour échantillons indépendants. - Tests pour échantillons appariés. 2 Analyse de variance à un facteur - Le principe. - Les conditions d applications. - Le problème des comparaisons multiples. - Définition des contrastes. - Equivalence avec la régression linéaire. - Les équivalents non-paramétriques. 2 Généralisation: le modèle linéaire général - Le principe. - L analyse de variance à plusieurs facteurs fixés. - Hypothèses. - Choix des sommes de carrés. - Personnalisation des tests d hypothèses. - Les comparaisons multiples. - Equivalence avec la régression linéaire. - L analyse de covariance. - Conditions d application. - Visualisation du problème. - Equivalence avec la régression linéaire. - Les modèles imbriqués. 2 Analyse de variance multivariée - Le principe. - Les hypothèses. - Ajout de facteur(s) et/ou de covariée(s). - Tests d hypothèses personnalisées. - Comparaisons multiples. 2 Analyses de variance et Mesures répétées - Le principe. - Les hypothèses. - Facteur intra-sujet et facteur temps. - Facteur inter-sujet. - Analyses à plusieurs facteurs intrasujet. - Diagrammes de profils.
15 Analyse de survie Interpréter des courbes de survie. Identifier les facteurs influents. 2 Survie actuarielle - Le principe: la table de survie actuarielle. - Individus censurés et non censurés. Pré-requis : Data management et Reporting I Statistiques exploratoires 1,0,8 Histologie = Grandes cellules - Définition de l événement. - La courbe de survie. 2 L approche de Kaplan Meier - Calcul des probabilités de survie. - Individus censurés et non censurés.,6 - Interprétations graphiques. - Comparaison de distributions de survie. Modules utilisés : SPSS Base SPSS Modèles avancés 2 jours Survie cumulée,4,2 0, Durée de survie (jours) Traitement appliqué Nouveau Nouveau-censuré Standard Standard-censuré La régression de Cox - Prise en compte de covariables. - Modèles de sélection de variables. - Le taux de hasard et le taux de survie. 2 La régression de Cox avec prédicteurs chronologiques - Prise en compte de covariables temporelles. - Prise en compte de covariables. - Modèles de sélection de variables.
16 Modèles de régression Apprendre à utiliser les techniques de régression linéaire et non linéaire standards de SPSS. Vérifier les principaux hypothèses de base. Pré-requis : Data management et Reporting I Statistiques exploratoires Modules nécessaires : SPSS Base SPSS Modèles de régression 1 jour Salaire actuel Salaire actuel = * saldeb R-Deux = Salaire d'embauche Rappels - La régression linéaire simple. - Les hypothèses de base. - La régression linéaire multiple. - Interprétation des coefficients. 2 Régression linéaire avancée - La vérification des hypothèses de Base. - Les conséquences pratiques des violations des hypothèses de base. - Le problème de l omission de prédicteur(s) pertinent(s). - Les solutions. - La prédiction. 2 Les extensions aux modèles non-linéaires - Les modèles linéarisables. - Les modèles non-linéaires. Les hypothèses La spécification du modèle La fonction de perte.
17 Programmation en syntaxe SPSS Objectif Se familiariser avec les outils de programmation SPSS. Pré-requis: Data management et Reporting I Module nécessaire : SPSS Base Durée: 2 jours 2 Introduction à la programmation en syntaxe SPSS - Syntaxe/boîte de dialogue. - Les règles de base dans la construction d une syntaxe. - Les grands types de commandes. - Créer et exécuter une syntaxe. 2 Les commandes usuelles - Transformations, création et gestion de variables. - Boucles, conditionnement. - Gestion du dictionnaire des données. - Manipulations de fichiers. - Paramétrage de l environnement SPSS. - Enchaînement de commandes et création de procédures automatiques de traitement. - Automatisation des tâches en mode production (batch mode). - Les messages d erreur. 2 La création de procédures complexes langage macro de SPSS et le scripting - Principes de base. - Les commandes macro. - Création, chargement et appel d une macro. - Introduction au langage de script SPSS (Visual Basic). - La complémentarité Syntaxe/Script. - Création et mise en forme automatique de rapports. - Automatisation de tâches en mode production (batch mode).
18 Introduction à Clem entine Être capable d utiliser l interface graphique et les différents nœuds de Clementine ainsi que les différentes techniques de modélisation. Savoir les choisir en fonction du problème à résoudre. Savoir mener à bien une étude de data mining. 2 jours 2 Introduction au Data mining - Le data mining avec Clementine. - Quand est-il pertinent de faire du data mining. - Une stratégie pour aborder les problèmes de data mining. 2 Utiliser Clementine - L interface graphique de Clementine. - La manipulation des nœuds de Clementine. - Elaborer des Schémas. - Lire des données. - S assurer de l intégrité des données. - Visualiser et explorer graphiquement ses données. - Manipuler, transfomer, nettoyer ses données. 2 Examiner les relations entre les données - Rechercher des relations entre des champs symboliques - Etudier des relations entre des champs numériques. - Visualiser des relations entre des champs symboliques et numériques. 2 Modéliser avec Clementine - Introduction aux différentes techniques. - Les réseaux de neurones. - Arbres de décision et induction de règles. - Combiner réseaux de neurones et règles. - Les réseaux de Kohonen. - Les règles d association. - Quelle technique, quand? 2 Méthode et stratégie de data mining, Déploiement - Stratégie de data mining. - CRISP-DM, la méthodologie. - Amélioration des performances des modèles. - Déploiement des modèles.
19 Manipulations de données avancées avec Clementine Apprendre à mettre en forme un fichier de données. Préparer, gérer des informations manquantes. Gérer des formats de variables particuliers. Pré-requis : Introduction à Clémentine 1 jour 2 Combiner des données provenant de différentes sources - jointure de fichiers de données grâce au nœud Concaténer. - Jointure de fichiers de données grâce au nœud fusionner. - Super nœuds. - Création de super nœuds. - Règles des super nœuds. - Edition des super nœuds. - Avantages des super nœuds. 2 Sous échantillonnage de données - Utilisation du nœud Distinct pour supprimer les éléments dupliqués. - Utilisation du nœud Echantillon pour sélectionner des enregistrements. - Utilisation du nœud Sélection pour découper un fichier de données. - Mettre les données en mémoire cache avec Clémentine. 2 Gestion des données manquantes - Données manquantes dans Clémentine. - Identification des blancs grâce au nœud Type. - Evaluation de la qualité des données. - Amélioration de la qualité des données grâce au nœud qualité. - Remplacement de blancs par des informations valides. - Vérification automatique des blancs et des valeurs hors limites. - Conseils sur la gestion des valeurs manquantes. 2 Utilisation des dates - Déclaration de formats de date dans Clémentine. - Formatage des champs pour les fonctions de date. - Calculs impliquant des dates. 2 Utilisation des données séquentielles - Fonctions séquentielles de CLEM. -Variantes COMPTE et ETAT du nœud DERIVER. - Restructuration des données séquentielles grâce au nœud Historique. 2 Manipulation des fichiers - Synthétiser les données grâce au nœud Agréger. - Restructuration des champs de type ensemble grâce au nœud Transformer. - Combiner l agrégation et la sortie transformée.
20 Modèles avancés avec Clémentine Appréhender les principaux contextes d utilisation des algorithmes de Clémentine. Connaître les options experts de chacun d entre eux, applications. Pré-requis: Introduction à Clémentine 1 jour 2 Préparation des données pour la modélisation - Nettoyage des données. - Equilibrage des données. - Transformation des données numériques. - Transformer des fanions en nombres. 2 Réseaux de neurones pour la classification - Méthodes d apprentissage. -Perceptron multicouches. - Fonction radicale de base. - Options experts. - Algorithmes disponibles. - Quelle méthode choisir? - Critère de sélection du taux d accroissement. - Utilisation du nœud Bâtir Règle pour prédire des champs numériques. 2 Techniques de Classification - Quels éléments observer lors de la classification? - Classification K-Means. - Le nœud Appr.Kmeans. - Paramétrage du nœud Kmeans. - Classification avec un réseau de Kohonen. - Le nœud Appr.Kohonen. 2 Règles d association avancées - Règles d association. 2 Tirer le maximum des modèles - Modification des valeurs de confiance pour le scoring. - Modélisation meta niveaux. - Modélisation des erreurs. - Analyse de sensibilité. 2 Induction de règles avancées - Réalisation de modèles de sorties symboliques avec le nœud Bâtir Règle. - Réalisation de modèles de sorties symboliques avec le nœud C5.0 - Découverte de règles avec Apriori. - Induction de règles généralisée ( GRI ). - Options expert d Apriori. - Options experts de GRI. - Choix d une méthode et d options expert.
21 BON DE COMMANDE F OR M ATIO N Vos coordonnées Société : Adresse : Tél : Fax : N de client : Vos noms et fonctions sont Nom : Fonction : Nom : Fonction : Nom : Fonction : Intitulé de la formation : Dates : Date : Nom et fonction du signataire : Cachet et Signature : SPSS Maghreb 72,Av.des Nations Unies Agdal-Rabat-Maroc Tel : /67 Fax :
22 Une importantebase clients siteséquipés par SPSS, Répartissurles cinq continents 4 millions d utilisateurs àtraversle monde Tous lessecteurs d activités»s confondus Un réseau mondial de compétences Une société multinationale basée à Chicago Une présence surtouslescontinents 40 filiales SPSS etde nombreusesfranchises dansle monde Un réseau de partenaires Une dynamique de développement Chiffre d Affairesen 1999, 141 millions de $ SPSS estcôtée au NASDAQ 950 employés Rachat de 10 sociétésen 5ans SPSS Maghreb 3 années d expérience 6collaborateurs permanents Plusieurs consultants experts SPSS Maghreb 72,Av.des Nations Unies Agdal-Rabat- Maroc Tél : /67 Fax: spssmaroc@maghrebnet.net.ma
données en connaissance et en actions?
1 Partie 2 : Présentation de la plateforme SPSS Modeler : Comment transformer vos données en connaissance et en actions? SPSS Modeler : l atelier de data mining Large gamme de techniques d analyse (algorithmes)
Plus en détailFormations EViews FORMATIONS GENERALES INTRODUCTIVES INTRO : INTRODUCTION A LA PRATIQUE DE L ECONOMETRIE AVEC EVIEWS
Formations EViews FORMATIONS GENERALES INTRODUCTIVES DEB : DECOUVERTE DU LOGICIEL EVIEWS INTRO : INTRODUCTION A LA PRATIQUE DE L ECONOMETRIE AVEC EVIEWS FORMATIONS METHODES ECONOMETRIQUES VAR : MODELES
Plus en détailLogiciel XLSTAT version 7.0. 40 rue Damrémont 75018 PARIS
Logiciel XLSTAT version 7.0 Contact : Addinsoft 40 rue Damrémont 75018 PARIS 2005-2006 Plan Présentation générale du logiciel Statistiques descriptives Histogramme Discrétisation Tableau de contingence
Plus en détailSharePoint (Toute la Gamme)... 1 Office 2010 (Toute la Gamme)... 2 OLAP (Toute la Gamme)... 2 STATISTICA Connecteur PI (Produit Complémentaire)...
SharePoint (Toute la Gamme)... 1 Office 2010 (Toute la Gamme)... 2 OLAP (Toute la Gamme)... 2 STATISTICA Connecteur PI (Produit Complémentaire)... 3 Introduction... 3 Échelle Interactive... 4 Navigation
Plus en détailProjet SINF2275 «Data mining and decision making» Projet classification et credit scoring
Projet SINF2275 «Data mining and decision making» Projet classification et credit scoring Année académique 2006-2007 Professeurs : Marco Saerens Adresse : Université catholique de Louvain Information Systems
Plus en détailDéroulement d un projet en DATA MINING, préparation et analyse des données. Walid AYADI
1 Déroulement d un projet en DATA MINING, préparation et analyse des données Walid AYADI 2 Les étapes d un projet Choix du sujet - Définition des objectifs Inventaire des données existantes Collecte, nettoyage
Plus en détailINTRODUCTION AU DATA MINING
INTRODUCTION AU DATA MINING 6 séances de 3 heures mai-juin 2006 EPF - 4 ème année - Option Ingénierie d Affaires et de Projets Bertrand LIAUDET TP DE DATA MINING Le TP et le projet consisteront à mettre
Plus en détailTABLE DES MATIERES. C Exercices complémentaires 42
TABLE DES MATIERES Chapitre I : Echantillonnage A - Rappels de cours 1. Lois de probabilités de base rencontrées en statistique 1 1.1 Définitions et caractérisations 1 1.2 Les propriétés de convergence
Plus en détailIntroduction au datamining
Introduction au datamining Patrick Naïm janvier 2005 Définition Définition Historique Mot utilisé au départ par les statisticiens Le mot indiquait une utilisation intensive des données conduisant à des
Plus en détailQue fait SAS Enterprise Miner?
Développez une connaissance plus précise avec un processus data mining plus productif La transformation de données brutes en informations utiles reste une problématique pour les entreprises. Pour apporter
Plus en détailLe Data Mining au service du Scoring ou notation statistique des emprunteurs!
France Le Data Mining au service du Scoring ou notation statistique des emprunteurs! Comme le rappelle la CNIL dans sa délibération n 88-083 du 5 Juillet 1988 portant adoption d une recommandation relative
Plus en détailOrganisé par StatSoft France et animé par Dr Diego Kuonen, expert en techniques de data mining.
2 jours : Mardi 15 et mercredi 16 novembre 2005 de 9 heures 30 à 17 heures 30 Organisé par StatSoft France et animé par Dr Diego Kuonen, expert en techniques de data mining. Madame, Monsieur, On parle
Plus en détailCoheris est agréé organisme de formation, n d agrément 11 92 19507 92.
Formations 2015 Coheris est agréé organisme de formation, n d agrément 11 92 19507 92. Introduction La formation est une préoccupation constante de Coheris vis-à-vis de ses clients et de ses partenaires,
Plus en détailTABLE DES MATIÈRES. Bruxelles, De Boeck, 2011, 736 p.
STATISTIQUE THÉORIQUE ET APPLIQUÉE Tome 2 Inférence statistique à une et à deux dimensions Pierre Dagnelie TABLE DES MATIÈRES Bruxelles, De Boeck, 2011, 736 p. ISBN 978-2-8041-6336-5 De Boeck Services,
Plus en détailAgenda de la présentation
Le Data Mining Techniques pour exploiter l information Dan Noël 1 Agenda de la présentation Concept de Data Mining ou qu est-ce que le Data Mining Déroulement d un projet de Data Mining Place du Data Mining
Plus en détail(Customer Relationship Management, «Gestion de la Relation Client»)
(Customer Relationship Management, «Gestion de la Relation Client») Les Banques et sociétés d assurance sont aujourd'hui confrontées à une concurrence de plus en plus vive et leur stratégie " clientèle
Plus en détailComplet Intuitif Efficace. Références
Logiciel de référence en Analyse de Données, Data Mining et Text Mining pour transformer vos données en connaissance Complet Intuitif Efficace Dans un environnement convivial et intuitif, disposez de toute
Plus en détailStructure du cours : Il existe de nombreuses méthodes intéressantes qui couvrent l Analyse des Données
Structure du cours : Il existe de nombreuses méthodes intéressantes qui couvrent l Analyse des Données et le Data Mining Nous suivons le plan suivant : Fonctionnement de Spad Catalogue des méthodes (statistiques
Plus en détailLa place de SAS dans l'informatique décisionnelle
La place de SAS dans l'informatique décisionnelle Olivier Decourt ABS Technologies - Educasoft Formations La place de SAS dans l'informatique décisionnelle! L'historique de SAS! La mécanique! La carrosserie
Plus en détailIBM SPSS Regression 21
IBM SPSS Regression 21 Remarque : Avant d utiliser ces informations et le produit qu elles concernent, lisez les informations générales sous Remarques sur p. 46. Cette version s applique à IBM SPSS Statistics
Plus en détailLA NOTATION STATISTIQUE DES EMPRUNTEURS OU «SCORING»
LA NOTATION STATISTIQUE DES EMPRUNTEURS OU «SCORING» Gilbert Saporta Professeur de Statistique Appliquée Conservatoire National des Arts et Métiers Dans leur quasi totalité, les banques et organismes financiers
Plus en détailSolutions Décisionnelles SPAD. La maîtrise des données, l'art de la décision
Solutions Décisionnelles SPAD La maîtrise des données, l'art de la décision SPAD, la référence en Analyse de Données et Data Mining La solution logicielle SPAD permet de tirer le meilleur parti de tous
Plus en détailSAP BusinessObjects Web Intelligence (WebI) BI 4
Présentation de la Business Intelligence 1. Outils de Business Intelligence 15 2. Historique des logiciels décisionnels 16 3. La suite de logiciels SAP BusinessObjects Business Intelligence Platform 18
Plus en détailTraitement des données avec Microsoft EXCEL 2010
Traitement des données avec Microsoft EXCEL 2010 Vincent Jalby Septembre 2012 1 Saisie des données Les données collectées sont saisies dans une feuille Excel. Chaque ligne correspond à une observation
Plus en détailChristophe CANDILLIER Cours de DataMining mars 2004 Page 1
Christophe CANDILLIER Cours de DataMining mars 2004 age 1 1. Introduction 2. rocessus du DataMining 3. Analyse des données en DataMining 4. Analyse en Ligne OLA 5. Logiciels 6. Bibliographie Christophe
Plus en détailCoup de Projecteur sur les Réseaux de Neurones
Coup de Projecteur sur les Réseaux de Neurones Les réseaux de neurones peuvent être utilisés pour des problèmes de prévision ou de classification. La représentation la plus populaire est le réseau multicouche
Plus en détailStatistiques Appliquées à l Expérimentation en Sciences Humaines. Christophe Lalanne, Sébastien Georges, Christophe Pallier
Statistiques Appliquées à l Expérimentation en Sciences Humaines Christophe Lalanne, Sébastien Georges, Christophe Pallier Table des matières 1 Méthodologie expérimentale et recueil des données 6 1.1 Introduction.......................................
Plus en détailIntroduction à la B.I. Avec SQL Server 2008
Introduction à la B.I. Avec SQL Server 2008 Version 1.0 VALENTIN Pauline 2 Introduction à la B.I. avec SQL Server 2008 Sommaire 1 Présentation de la B.I. et SQL Server 2008... 3 1.1 Présentation rapide
Plus en détailIBM SPSS Forecasting. Créez des prévisions d'expert en un clin d'œil. Points clés. IBM Software Business Analytics
IBM SPSS Statistics 19 IBM SPSS Forecasting Créez des prévisions d'expert en un clin d'œil Points clés Développer des prévisions fiables rapidement Réduire les erreurs de prévision Mettre à jour et gérer
Plus en détailTABLE DES MATIÈRES. PRINCIPES D EXPÉRIMENTATION Planification des expériences et analyse de leurs résultats. Pierre Dagnelie
PRINCIPES D EXPÉRIMENTATION Planification des expériences et analyse de leurs résultats Pierre Dagnelie TABLE DES MATIÈRES 2012 Presses agronomiques de Gembloux pressesagro.gembloux@ulg.ac.be www.pressesagro.be
Plus en détailIBM SPSS Statistics Base 20
IBM SPSS Statistics Base 20 Remarque : Avant d utiliser ces informations et le produit qu elles concernent, lisez les informations générales sous Remarques sur p. 316. Cette version s applique à IBM SPSS
Plus en détailData Mining. Vincent Augusto 2012-2013. École Nationale Supérieure des Mines de Saint-Étienne. Data Mining. V. Augusto.
des des Data Mining Vincent Augusto École Nationale Supérieure des Mines de Saint-Étienne 2012-2013 1/65 des des 1 2 des des 3 4 Post-traitement 5 représentation : 6 2/65 des des Définition générale Le
Plus en détailCycle de formation certifiante Sphinx
Cycle de formation certifiante Sphinx 28, 29, 30 Mai 2015 Initiation, Approfondissement et Maîtrise Etudes qualitatives / quantitatives Initiation, approfondissement et maîtrise des études qualitatives
Plus en détailL'intelligence d'affaires: la statistique dans nos vies de consommateurs
L'intelligence d'affaires: la statistique dans nos vies de consommateurs Jean-François Plante, HEC Montréal Marc Fredette, HEC Montréal Congrès de l ACFAS, Université Laval, 6 mai 2013 Intelligence d affaires
Plus en détailSpécificités, Applications et Outils
Spécificités, Applications et Outils Ricco Rakotomalala Université Lumière Lyon 2 Laboratoire ERIC Laboratoire ERIC 1 Ricco Rakotomalala ricco.rakotomalala@univ-lyon2.fr http://chirouble.univ-lyon2.fr/~ricco/data-mining
Plus en détailLocalisation des fonctions
MODALISA 7 Localisation des fonctions Vous trouverez dans ce document la position des principales fonctions ventilées selon l organisation de Modalisa en onglets. Sommaire A. Fonctions communes à tous
Plus en détailMANAGEMENT DES SERVICES INFORMATIQUES
MANAGEMENT DES SERVICES SOMMAIRE SAP BO DASHBOARDS 4.0 3 Nouveautés SAP BO Web Intelligence BI 4 3 SAP BO Web Intelligence 4 Niveau 1 4 SAP BO Web Intelligence 4 Niveau 2 4 SAP BO Web Intelligence XI3
Plus en détailDébouchés professionnels
Master Domaine Droit, Economie, Gestion Mention : Monnaie, Banque, Finance, Assurance Spécialité : Risque, Assurance, Décision Année universitaire 2014/2015 DIRECTEUR de la spécialité : Monsieur Kouroche
Plus en détailInitiation à la bureautique
Initiation à la bureautique i 1 17-18-19-20 mars 4 jours Ce stage doit permettre à des débutants de se familiariser avec l outil bureautique, d acquérir des connaissances de base autour de la micro-informatique.
Plus en détail4.2 Unités d enseignement du M1
88 CHAPITRE 4. DESCRIPTION DES UNITÉS D ENSEIGNEMENT 4.2 Unités d enseignement du M1 Tous les cours sont de 6 ECTS. Modélisation, optimisation et complexité des algorithmes (code RCP106) Objectif : Présenter
Plus en détailCALCUL D UN SCORE ( SCORING) Application de techniques de discrimination LES OBJECTIFS DU SCORING
CALCUL D UN SCORE ( SCORING) Application de techniques de discrimination LES OBJECTIFS DU SCORING SÉLECTION DES RISQUES PRÉVISION DES DÉFAUTS SUIVI ET CONTRÔLE Pierre-Louis GONZALEZ Différents types de
Plus en détailLa classification automatique de données quantitatives
La classification automatique de données quantitatives 1 Introduction Parmi les méthodes de statistique exploratoire multidimensionnelle, dont l objectif est d extraire d une masse de données des informations
Plus en détailGuide de l utilisateur de IBM SPSS Modeler 15
Guide de l utilisateur de IBM SPSS Modeler 15 Remarque : Avant d utiliser ces informations et le produit qu elles concernent, lisez les informations générales sous Remarques sur p. 272. Cette version s
Plus en détailMasters Spécialisés «Actuariat et Prévoyance» et «Actuariat et Finance»
Masters Spécialisés «Actuariat et Prévoyance» et «Actuariat et Finance» Introduction au Data Mining K. EL HIMDI elhimdi@menara.ma 1 Sommaire du MODULE Partie 1 : Introduction au Data Mining Partie 2 :
Plus en détailSAS ENTERPRISE MINER POUR L'ACTUAIRE
SAS ENTERPRISE MINER POUR L'ACTUAIRE Conférence de l Association des Actuaires I.A.R.D. 07 JUIN 2013 Sylvain Tremblay Spécialiste en formation statistique SAS Canada AGENDA Survol d Enterprise Miner de
Plus en détailCATALOGUE DE FORMATIONS BUSINESS INTELLIGENCE. Edition 2012
CATALOGUE DE FORMATIONS BUSINESS INTELLIGENCE Edition 2012 AGENDA Qui sommes nous? Présentation de Keyrus Keyrus : Expert en formations BI Nos propositions de formation 3 modes de formations Liste des
Plus en détailArbres binaires de décision
1 Arbres binaires de décision Résumé Arbres binaires de décision Méthodes de construction d arbres binaires de décision, modélisant une discrimination (classification trees) ou une régression (regression
Plus en détailDes données à la connaissance client. A la découverte de la plateforme de connaissance client knowlbox
Des données à la connaissance client A la découverte de la plateforme de connaissance client knowlbox Livre blanc mai 2013 A l heure du Big Data, les entreprises s interrogent davantage sur leurs données.
Plus en détailMaîtriser l'utilisation des outils bureautiques. Maîtriser le logiciel de traitement de texte - Word. Maitriser le logiciel tableur - Excel
Itinéraire de formation LES OUTILS BUREAUTIQUES Domaine ITINERAIRE THEMATIQUE But Maîtriser l'utilisation des outils bureautiques Maîtriser le logiciel de traitement de texte - Word Word 2003 niveau I
Plus en détailDécouvrez le portefeuille de produits IBM SPSS
Business Analytics Logiciels SPSS Découvrez le portefeuille de produits IBM SPSS L analytique avancée qui aident les entreprises à anticiper le changement et à prendre des mesures pour améliorer leurs
Plus en détailKIELA CONSULTING. Microsoft Office Open Office Windows - Internet. Formation sur mesure
KIELA CONSULTING Microsoft Office Open Office Windows - Internet Formation sur mesure Bureautique L outil informatique et la bureautique sont devenus quasiment incontournables quelque soit votre métier
Plus en détailExploitation et analyse des données appliquées aux techniques d enquête par sondage. Introduction.
Exploitation et analyse des données appliquées aux techniques d enquête par sondage. Introduction. Etudes et traitements statistiques des données : le cas illustratif de la démarche par sondage INTRODUCTION
Plus en détailBusiness Intelligence avec Excel, Power BI et Office 365
Avant-propos A. À qui s adresse ce livre? 9 1. Pourquoi à chaque manager? 9 2. Pourquoi à tout informaticien impliqué dans des projets «BI» 9 B. Obtention des données sources 10 C. Objectif du livre 10
Plus en détailSpécifications, Développement et Promotion. Ricco RAKOTOMALALA Université Lumière Lyon 2 Laboratoire ERIC
Spécifications, Développement et Promotion Ricco RAKOTOMALALA Université Lumière Lyon 2 Laboratoire ERIC Ricco? Enseignant chercheur (CNU.27) En poste à l Université Lyon 2 Faculté de Sciences Eco. Recherche
Plus en détailLogiciel Le Sphinx Plus 2 version 5. Le Sphinx Développement 74650 Chavanod
Logiciel Le Sphinx Plus 2 version 5 Le Sphinx Développement 74650 Chavanod 2005-2006 Plan Présentation générale du logiciel Stade Élaboration du questionnaire Stade Collecte des réponses Stade Traitements
Plus en détail" # $ % % & ' ( ) * +,! '()*+ *, + ' +' + ' ' -+ - +.+. /0 / 1 0 12 1 1 2 34+ 4 1 +. 50 5 * 0 4 * 0 6! "##$ % &!
"# $ %%& ' ( )*+, '()*+,'+''-++.+/0112134+1.50*406 "##$ %& 8CC "#$%& ' ( )* +,-./ 0 123 456+7 3 7-55-89.*/ 0 +3 *+:3 ;< =3 3-3 8 0 23 >-8-3 >5? //*/*0;* @A: *53,,3 / * $/ >B+? - 5, 2 34*56 7 /+#** //8
Plus en détailPour plus d informations sur les logiciels SPSS, visitez notre site Web à l adresse suivante : http://www.spss.com ou contactez
Pour plus d informations sur les logiciels SPSS, visitez notre site Web à l adresse suivante : http://www.spss.com ou contactez SPSS Inc. 233 South Wacker Drive, 11th Floor Chicago, IL 60606-6412 Tél :
Plus en détailQU EST-CE QUE LE DECISIONNEL?
La plupart des entreprises disposent d une masse considérable d informations sur leurs clients, leurs produits, leurs ventes Toutefois ces données sont cloisonnées par les applications utilisées ou parce
Plus en détailMAÎTRISE DE L ENVIRONNEMENT WINDOWS VISTA
MAÎTRISE DE L ENVIRONNEMENT WINDOWS VISTA OBJECTIFS : manipuler les fenêtres et l environnement Windows, gérer ses fichiers et dossiers, lancer les applications bureautiques présentes sur son poste. PUBLIC
Plus en détailKEYRUS FRANCE CATALOGUE DE FORMATIONS 2014
KEYRUS FRANCE CATALOGUE DE FORMATIONS 014 FORMATIONS SAS ET ANALYTIQUE Avril 014 (Version 14.04_01) OFFRE DE FORMATION DE KEYRUS INFORMATIONS CLÉS Une offre de formation dédiée aux outils et méthodes du
Plus en détailBusiness Intelligence
avec Excel, Power BI et Office 365 Téléchargement www.editions-eni.fr.fr Jean-Pierre GIRARDOT Table des matières 1 Avant-propos A. À qui s adresse ce livre?..................................................
Plus en détailCursus Sage ERP X3 Outils & Développement. Le parcours pédagogique Sage ERP X3 Outils et Développement
Cursus Outils & Développement Vous êtes Consultant, Chef de Projets, Directeur des Systèmes d Information, Directeur Administratif et Financier, Optez pour les «formations Produits» Nous vous proposons
Plus en détailApprentissage Automatique
Apprentissage Automatique Introduction-I jean-francois.bonastre@univ-avignon.fr www.lia.univ-avignon.fr Définition? (Wikipedia) L'apprentissage automatique (machine-learning en anglais) est un des champs
Plus en détailTechniques du Data Mining pour la prédiction de faillite des entreprises et la gestion du risque de crédit
Techniques du Data Mining pour la prédiction de faillite des entreprises et la gestion du risque de crédit Adil Belhouari HEC - Montréal - Journées de l Optimisation 2005-09 Mai 2005 PLAN DE LA PRÉSENTATION
Plus en détailLa survie nette actuelle à long terme Qualités de sept méthodes d estimation
La survie nette actuelle à long terme Qualités de sept méthodes d estimation PAR Alireza MOGHADDAM TUTEUR : Guy HÉDELIN Laboratoire d Épidémiologie et de Santé publique, EA 80 Faculté de Médecine de Strasbourg
Plus en détailIntroduction au Data-Mining
Introduction au Data-Mining Gilles Gasso, Stéphane Canu INSA Rouen -Département ASI Laboratoire LITIS 8 septembre 205. Ce cours est librement inspiré du cours DM de Alain Rakotomamonjy Gilles Gasso, Stéphane
Plus en détail1 Modélisation d être mauvais payeur
1 Modélisation d être mauvais payeur 1.1 Description Cet exercice est très largement inspiré d un document que M. Grégoire de Lassence de la société SAS m a transmis. Il est intitulé Guide de démarrage
Plus en détailESSEC. Cours «Management bancaire» Séance 3 Le risque de crédit Le scoring
ESSEC Cours «Management bancaire» Séance 3 Le risque de crédit Le scoring Les méthodes d évaluation du risque de crédit pour les PME et les ménages Caractéristiques Comme les montants des crédits et des
Plus en détailAide-mémoire de statistique appliquée à la biologie
Maxime HERVÉ Aide-mémoire de statistique appliquée à la biologie Construire son étude et analyser les résultats à l aide du logiciel R Version 5(2) (2014) AVANT-PROPOS Les phénomènes biologiques ont cela
Plus en détailAnalyse de grandes bases de données en santé
.. Analyse de grandes bases de données en santé Alain Duhamel Michaël Genin Mohamed Lemdani EA 2694 / CERIM Master 2 Recherche Biologie et Santé Journée Thématique Fouille de Données Plan. 1 Problématique.
Plus en détailStages de Formation en Statistique Appliquée et Logistique
Stages de Formation en Statistique Appliquée et Logistique Un aperçu de nos stages Titre Avec PC Durée Info Visualisation de données de laboratoire avec Excel oui 2 jours p. 3 Analyse de données de laboratoire
Plus en détailFORMATION CONTINUE SUR L UTILISATION D EXCEL DANS L ENSEIGNEMENT Expérience de l E.N.S de Tétouan (Maroc)
87 FORMATION CONTINUE SUR L UTILISATION D EXCEL DANS L ENSEIGNEMENT Expérience de l E.N.S de Tétouan (Maroc) Dans le cadre de la réforme pédagogique et de l intérêt que porte le Ministère de l Éducation
Plus en détailIntroduction : présentation de la Business Intelligence
Les exemples cités tout au long de cet ouvrage sont téléchargeables à l'adresse suivante : http://www.editions-eni.fr Saisissez la référence ENI de l'ouvrage RI3WXIBUSO dans la zone de recherche et validez.
Plus en détailParcours FOAD Formation EXCEL 2010
Parcours FOAD Formation EXCEL 2010 PLATE-FORME E-LEARNING DELTA ANNEE SCOLAIRE 2013/2014 Pôle national de compétences FOAD Formation Ouverte et A Distance https://foad.orion.education.fr Livret de formation
Plus en détailAccélérer l agilité de votre site de e-commerce. Cas client
Accélérer l agilité de votre site de e-commerce Cas client L agilité «outillée» devient nécessaire au delà d un certain facteur de complexité (clients x produits) Elevé Nombre de produits vendus Faible
Plus en détailIBM SPSS Direct Marketing 21
IBM SPSS Direct Marketing 21 Remarque : Avant d utiliser ces informations et le produit qu elles concernent, lisez les informations générales sous Remarques sur p. 109. Cette version s applique à IBM SPSS
Plus en détailStages de Formation en Statistique Appliquée et Logistique
Stages de Formation en Statistique Appliquée et Logistique Un aperçu de nos stages Titre Avec PC Durée Info Visualisation de données de laboratoire avec Excel oui 2 jours p. 3 Analyse de données de laboratoire
Plus en détailAnnexe commune aux séries ES, L et S : boîtes et quantiles
Annexe commune aux séries ES, L et S : boîtes et quantiles Quantiles En statistique, pour toute série numérique de données à valeurs dans un intervalle I, on définit la fonction quantile Q, de [,1] dans
Plus en détailProgrammes des classes préparatoires aux Grandes Ecoles
Programmes des classes préparatoires aux Grandes Ecoles Filière : scientifique Voies : Mathématiques, physique et sciences de l'ingénieur (MPSI) Physique, chimie et sciences de l ingénieur (PCSI) Physique,
Plus en détailSQL SERVER 2008, BUSINESS INTELLIGENCE
SGBD / Aide à la décision SQL SERVER 2008, BUSINESS INTELLIGENCE Réf: QLI Durée : 5 jours (7 heures) OBJECTIFS DE LA FORMATION Cette formation vous apprendra à concevoir et à déployer une solution de Business
Plus en détailINTRODUCTION à Microsoft Dynamics CRM 2013 FR80501
INTRODUCTION à Microsoft Dynamics CRM 2013 FR80501 Durée : 1 jour A propos de ce cours Ce cours d un jour mené par un formateur constitue une introduction à Microsoft Dynamics CRM 2013. Le cours se concentre
Plus en détailOutils pour les réseaux de neurones et contenu du CD-Rom
Outils pour les réseaux de neurones et contenu du CD-Rom Depuis le développement théorique des réseaux de neurones à la fin des années 1980-1990, plusieurs outils ont été mis à la disposition des utilisateurs.
Plus en détailFormation Tutorée A Distance (FTAD) en BUREAUTIQUE
Durée : 20 heures (Sur 2 mois maximum) Positionnement et parcours individuel de formation. Plate-forme de formation incluant cours, exercices et évaluation en ligne, disponibles 24 H/24, 7 j/7. 4 cours
Plus en détailStéphane Tufféry DATA MINING & STATISTIQUE DÉCISIONNELLE. 24/12/2006 Stéphane Tufféry - Data Mining - http://data.mining.free.fr
1 Stéphane Tufféry DATA MINING & STATISTIQUE DÉCISIONNELLE 2 Plan du cours Qu est-ce que le data mining? A quoi sert le data mining? Les 2 grandes familles de techniques Le déroulement d un projet de data
Plus en détailUNIVERSITÉ DE MONTRÉAL DÉPARTEMENT DE SOCIOLOGIE ************* Cours de niveau gradué en méthodes quantitatives *************
************* Cours de niveau gradué en méthodes quantitatives ************* SOL 6210 - Analyse quantitative avancée Le séminaire d analyse quantitative avancée se donne en classe une fois par année. Chaque
Plus en détailLES MODELES DE SCORE
LES MODELES DE SCORE Stéphane TUFFERY CONFERENCE GENDER DIRECTIVE 31 mai 2012 31/05/2012 ActuariaCnam Conférence Gender Directive Stéphane Tufféry 1 Plan Le scoring et ses applications L élaboration d
Plus en détailAlgèbre 40 Analyse 26 14 Stat. 1 - IES : Probabilités discrètes et calcul intégral 29,5 6 Stat. 2 - IES : Probabilités générales 54 8 UE1-02 M-E-IS
1er semestre UE1-01 E Algèbre 40 Analyse 26 14 Stat. 1 - IES : Probabilités discrètes et calcul intégral 29,5 6 Stat. 2 - IES : Probabilités générales 54 8 UE1-02 M-E-IS Introduction au système SAS 25,5
Plus en détailCATALOGUE DES FORMATIONS
CATALOGUE DES FORMATIONS COURS THEMATIQUES MIGRATION À WINDOWS 10... 1 WORD: LES TABLEAUX... 2 WORD: MODÈLES ET FORMULAIRES... 3 WORD: PUBLIPOSTAGE... 4 WORD: LES LONGS DOCUMENTS... 5 WORD: PUBLICATION...
Plus en détailTable des matières. I Mise à niveau 11. Préface
Table des matières Préface v I Mise à niveau 11 1 Bases du calcul commercial 13 1.1 Alphabet grec...................................... 13 1.2 Symboles mathématiques............................... 14 1.3
Plus en détail2 Serveurs OLAP et introduction au Data Mining
2-1 2 Serveurs OLAP et introduction au Data Mining 2-2 Création et consultation des cubes en mode client-serveur Serveur OLAP Clients OLAP Clients OLAP 2-3 Intérêt Systèmes serveurs et clients Fonctionnalité
Plus en détailGuide de l utilisateur du Système central IBM SPSS Statistics 20
Guide de l utilisateur du Système central IBM SPSS Statistics 20 Remarque : Avant d utiliser ces informations et le produit qu elles concernent, lisez les informations générales sous Remarques sur p. 458.
Plus en détailAméliorer les performances du site par l'utilisation de techniques de Web Mining
Améliorer les performances du site par l'utilisation de techniques de Web Mining CLUB SAS 2001 17/18 octobre 2001 Stéfan Galissie LINCOLN stefan.galissie@lincoln.fr contact@web-datamining.net 2001 Sommaire
Plus en détailMémoire d actuariat - promotion 2010. complexité et limites du modèle actuariel, le rôle majeur des comportements humains.
Mémoire d actuariat - promotion 2010 La modélisation des avantages au personnel: complexité et limites du modèle actuariel, le rôle majeur des comportements humains. 14 décembre 2010 Stéphane MARQUETTY
Plus en détailNOS FORMATIONS EN BUREAUTIQUE
NOS FORMATIONS EN BUREAUTIQUE Par Vivien Romaric DOVI EREBYA SENEGAL «Villa N 1, cité BOURGI - Route de l'aéroport - Dakar, Sénégal» +221 77 475 74 59 info@erebya.com 1 FORMATION N 002 : Initiation à l
Plus en détailFormations. Esprit de service, Exigence technologique
Esprit de service, Exigence technologique Formations Langage SAS Business Intelligence (SAS, Microsoft ) Statistiques et Data Mining Data Management et Biostatistiques.Net www.lincoln.fr Editorial Lincoln
Plus en détailCursus Sage ERP X3 Outils & Développement. CURSUS Sage ERP X3 Outils & Développement ADVANCED. Outils avancés. 2 jours X3A-ADM. Développement 1 &2
Cursus Outils & Développement Vous êtes Consultant, Chef de Projets, Directeur des Systèmes d Information, Directeur Administratif et Financier, Optez pour les «formations Produits» Nous vous proposons
Plus en détailCatalogue Formation «Vanilla»
Catalogue Formation «Vanilla» Date : octobre 2009 Table des matières Liste des Formations...2 Contenu des formations...3 Vanilla FastTrack...3 Vanilla Architecture...5 Enterprise Services...6 BIPortail...7
Plus en détailIntroduction à Business Objects. J. Akoka I. Wattiau
Introduction à Business Objects J. Akoka I. Wattiau Introduction Un outil d'aide à la décision accès aux informations stockées dans les bases de données et les progiciels interrogation génération d'états
Plus en détailIntroduction au Data-Mining
Introduction au Data-Mining Alain Rakotomamonjy - Gilles Gasso. INSA Rouen -Département ASI Laboratoire PSI Introduction au Data-Mining p. 1/25 Data-Mining : Kèkecé? Traduction : Fouille de données. Terme
Plus en détail