SAS Visual Data Mining and Machine Learning

Название Уровень Форматы обучения
Использование SAS Viya и Python в машинном обучении
В этом курсе вы научитесь использовать Python API для исполнения действий (actions) SAS Cloud Analytic Services (CAS) из Jupyter Notebook. Вы научитесь загружать данные в распределенную in-memory среду, анализировать данные и строить прогнозные модели в CAS, используя знакомый функционал языка программирования Python через библиотеку SWAT (SAS Scripting Wrapper for Analytics Transfer). После этого вы научитесь загружать результаты на сторону клиента и использовать стандартный синтаксис языка Python для сравнения моделей.

3 Intermediate Classroom Live Web Classroom
Использование SAS Viya и R в машинном обучении
В этом курсе вы научитесь использовать R API для исполнения действий (actions) SAS Cloud Analytic Services (CAS) из Jupyter Notebook. Вы научитесь загружать данные в распределенную in-memory среду, анализировать данные и строить прогнозные модели в CAS, используя знакомый функционал языка программирования R через библиотеку SWAT (SAS Scripting Wrapper for Analytics Transfer). После этого вы научитесь загружать результаты на сторону клиента и использовать стандартный синтаксис языка R для сравнения моделей.

3 Intermediate Classroom Live Web Classroom
Глубокое обучение с использованием ПО SAS
Курс призван познакомить слушателя с основами методов глубокого обучения. Вы узнаете как строить свёрточные нейронные сети, рекуррентные нейронные сети и нейронные сети прямого распространения.Глубокие нейронные сети имеют широкий спектр применения от задач классификации и регрессии на структурированных данных, до классификации изображений и работы с текстовыми данными или временными рядами.Также, в курсе будут рассмотрены практические подходы, позволяющие обучать нейронные сети быстро и эффективно осуществлять поиск гиперпараметров моделей, для получения лучших результатов.

3 Intermediate Classroom Live Web Classroom e-Learning
Расширенные методы машинного обучения с использованием SAS® Viya®
В этом курсе изучаются вопросы построения и оптимизации производительности продвинутых прогнозных моделей и использования различных методов сбора и обработки данных.

Данный курс продолжает изучение процесса построения моделей, который ранее рассматривался в курсе «Машинное обучение с использованием SAS Viya», а также освещает темы построения ансамблей моделей после оценки производительности отдельных классификаторов.

В этом курсе вы узнаете как решать задачи формирования признакового пространства (feature engineering), кластеризации переменных и наблюдений (variables and observations clustering), предобработки категориальных переменных, обнаружения аномалии, построения моделей полуконтролируемого (semi-supervised) обучения.

В курсе используется среда Model Studio с интерфейсом конвейеров (Pipelines) обработки и анализа данных в SAS Viya, который позволяет подготавливать, разрабатывать, сравнивать и развертывать расширенные аналитические модели.

Кроме того, в данном курсе обсуждается импорт и запуск внешних моделей в Model Studio, включая использование моделей с открытым исходным кодом (open source). Также демонстрируются возможности SAS Viya для автоматизации всех этапов процесса машинного обучения, которые сопровождаются советами и рекомендациями по работе с Model Studio.

Обучение в формате e-learning включает:

  • Пособия для изучения курса в формате PDF.
  • Время для практики в виртуальной лаборатории.

  • 4 Expert Classroom
    Методы машинного обучения с на основе деревьев решений в SAS® Viya®
    Деревья решений и их ансамбли - это модели обучения с учителем, используемые для решения задач, связанных с классификацией и регрессией.

    Этот курс охватывает вопросы, связанные с использованием деревьев решения, начиная от построения отдельных моделей на основе дерева решений и до более продвинутых методов построения бэггинг и бустинг ансамблей в SAS Viya.

    Курс включает в себя обсуждение древовидных прогностических моделей и методологии построения, обрубания ветвей (pruning ) и оценки деревьев решений, случайных бэггинг ансамблей (random forest) и моделей на основе градиентного бустинга.

    Курс также объясняет понятия: изолирующий лес (алгоритм обучения без учителя для обнаружения аномалий), глубокий случайный лес (альтернатива глубокому обучению нейронных сетей) и градиентный бустинг деревьев решений для построения Пуассоновской и Твиди регрессий.

    Кроме того, рассматриваются многие вспомогательные виды использования деревьев, такие как разведочный анализ данных, уменьшение размерности и подстановка пропущенных значений, а также демонстрируется работа с открытым исходным кодом в SAS.

    Обучение в формате e-learning включает:

    • Учебные материалы курса в формате PDF.
    • Доступ к виртуальной лаборатории для выполнения практических заданий.

    4 Expert e-Learning