SAS Visual Data Mining and Machine Learning
| Titre | Niveau | Types de formation |
|---|---|---|
|
Deep Learning utilisant SAS
Ce cours présente les composantes essentielles de l'apprentissage profond (deep learning). Vous apprenez à construire des réseaux de neurones à propagation avant (deep freeforward, MLP) , convolution (convultional), réseau de neurones récurrent (recurrent networks), ainsi que des variantes auto-encodeur débruiteur (denoising autoencoders). Les réseaux de neurones sont utilisés pour résoudre des problèmes qui incluent la classification traditionnelle, la classification d'images et les séquences dépendante (sequence-dependent) de la sortie. Le cours alterne de la théorie avec des applications. Des démonstrations pratiques et des études des cas sont incluses dans le cours pour renforcer les concepts clés. Les méthodes de recherche d'hyperparamètres sont décrites et démontrées pour trouver un ensemble optimal de modèles d'apprentissage profond. L'apprentissage par transfert (transfer learning) est expliqué en détail car cette application s'est révélée prometteuse dans l'apprentissage profond. Enfin, vous apprenez comment personnaliser un modèle d'apprentissage profond SAS pour rechercher de nouveaux domaines pour ainsi l’appliquer. |
3 Intermédaire |    |
SAS Viya and Python Integration for Machine Learning 
In this course, you learn to use the Python API to take control of SAS Cloud Analytic Services (CAS) actions from Jupyter Notebook. You learn to upload data into the in-memory distributed environment, analyze data, and create predictive models in CAS using familiar Python functionality via the SWAT (SAS Wrapper for Analytics Transfer) package. You then learn to download results to the client and use native Python syntax to compare models. |
3 Intermédaire | |
|
SAS Viya and R Integration for Machine Learning
In this course, you learn to use the R API to take control of SAS Cloud Analytic Services (CAS) actions from Jupyter Notebook. You learn to upload data into the in-memory distributed environment, analyze data, and create predictive models in CAS using familiar R functionality via the SWAT (SAS Wrapper for Analytics Transfer) package. You then learn to download results to the client and use native R syntax to compare models. |
3 Intermédaire | |
|
Tree-Based Machine Learning Methods in SAS Viya
Decision trees and tree-based ensembles are supervised learning models used for problems involving classification and regression. This course covers everything from using a single tree to more advanced bagging and boosting ensemble methods in SAS Viya. The course includes discussions of tree-structured predictive models and the methodology for growing, pruning, and assessing decision trees, forest and gradient boosting models. The course also explains isolation forest (an unsupervised learning algorithm for anomaly detection), deep forest (an alternative for neural network deep learning), and Poisson and Tweedy gradient boosted regression trees. In addition, many of the auxiliary uses of trees, such as exploratory data analysis, dimension reduction, and missing value imputation, are examined, and running open source in SAS and running SAS in open source are demonstrated. The self-study e-learning includes:
|
4 Expert |  |