|
Statistikk Familien:
SPSS Base
SPSS Data Entry
SPSS SmartViewer
SPSS Web App
Amos
SamplePower
SPSS Data Mining Familien:
Answer Tree
Clementine
Statistikk Familien
Data Mining Familien
SPSS Kurs
Grunnkurs i SPSS
Anvendt Statistikk
Regresjonskurs
Klassifikasjon og Gruppering
Datatilrettelegging
Introduksjon til Data Entry
Spørreskjemametode
Oppfriskningskurs
Presentasjon i tabeller/grafer
|
 |
Clementine kan bli sett på som en ”arbeidsbenk” med kombinasjoner
av sammensatte verktøy og teknikker for å støtte opp under
data mining-prosesser. Denne gir to generelle områder av støtte
kjent som ”passive” og ”aktive”.
”Passiv” støtte betyr at brukeren tester den
opprinnelige hypotesen eller søker etter mønstre, og
ekspertise spiller en viktig rolle i analysen. I samarbeid med
Clementine kan brukeren endre på, lese og visualisere de
dataene de bruker i tabeller og grafer. Brukeren kan også
bruke statistikk og hypotesetesting for å undersøke antatte
sammenhenger i dataene.
I ”aktive” støtteteknikker tar brukeren fortsatt initiativet til
data mining-prosessene, men datamaskinen og data
mining-software spiller en mer positiv
rolle i analysen. Maskinen/software vil selv finne regler (rules) og
sammenhenger i dataene. Clementine gir en rekke aktive
maskin-lærings- (machinen learning) og modellerings-teknikker,
inkludert neurale nettverk, regel induksjon (Rule Induction),
assosiasjonsregel (Association Rule), beslutningstre og
klusteranalalyse.
Neurale
nettverk, regel induksjon og beslutningstre er noen av teknikkene i Clementine som
inkluderer modeller av ”output”-faktorer basert på ulike
”input”-faktorer. Modellene som utvikles kan bli brukt for
å predikere eller forutsi fremtidige tilfeller/hendelser når
”outcome” er ukjent. Dette er ofte referert til som
kontrollerte (supervised) læringsteknikker.
Clementine har to teknikker for å påvise
assosiasjonsregler, Apriori og GRI (Generalized Rule
Induction). Begge teknikkene prøver å knytte en spesiell konklusjon
til et sett av forutsetninger. Sammenhenger kan finnes mellom hvilke
som helst faktorer i dataene og resultatet er et sett av slike
sammenhenger.
Kohonen
nettverk og K-means er to klusterteknikker tilgjengelig i
Clementine og begge gir metoder for gruppering av like enheter
i dataene. Begge teknikker er eksempler på
ukontrollert (unsupervised) læring hvor algoritmer ikke er
gitt et felt å predikere, men undersøker sammenhenger i data
for å finne dens totale struktur.
Les mer om den siste versjon
av Clementine, versjon 8.
Tilleggsmoduler til Clementine
 Text Mining for Clementine
Clementine Solution Publisher
CLEO
Capri
|
