SAS® Viya® et intégration R pour Machine Learning

Au cours de cette formation, vous apprendrez à utiliser API R pour exécuter vos analyses sur le server SAS Cloud Analytic Service (CAS) depuis l’application web Jupyter Notebook. Vous apprendrez à faire des mises à jour des données dans un environnement In-Memory distribué, à analyser ces données et créer des modèles prédictifs dans CAS en utilisant des fonctionnalités familières sous R via la package SWAT (SAS Wrapper Analytics Transfer).Vous apprendrez à charger les résultats de vos analyses effectuées sur le server CAS sur votre client R pour, par exemple, comparer les modèles estimés.

Apprendre à

• Utiliser API R dans SAS Viya
• Soumettre des actions CAS à partir de R
• Gérer, modifier et préparer les données sur le server CAS
• Implémenter et comparer les modèles des ML sur le server CAS
• Transmettre les données entre le client R et le server CAS
• Utiliser la syntaxe native R pour entourer les actions CAS avec des fonctions, des boucles
• Enregistrer les données In Memory de façon permanente

A qui s’adresse cette formation ?

Utilisateurs codant sous R et souhaitant utiliser la plateforme SAS Viya pour une modélisation des données rapide et efficace.

Formats de formation disponibles	Durée standard (peut varier selon les sessions. Se référer au calendrier)
Formations présentielles:	1.0 jour
Formations à distance:	2 sessions d'une demi-journée chacune

Avant de suivre cette formation, vous devez avoir une expérience de programmation sous R en général et tout particulièrement dans l’analyse des données.

Cette formation concerne SAS Viya, SAS Visual Data Mining and Machine Learning logiciel

SAS Viya et l’intégration de l’Open Source

• SAS Viya et SAS Cloud Analytic Services (CAS)
• Les interfaces de programmation Open Source
• Le SWAT (Scripting Wrapper for Analytics Transfer)
• Principes fondamentaux des API R et Python

Machine Learning

• Modélisation prédictive
• Modèles de prédiction utilisés : régression logistique, arbre de décision, forêt aléatoire (random forest), boosting de gradient (gradient boosting), machine à vecteurs de support (support vector machines), réseau neuronal (neural network)
• Evaluation et comparaison entre modèles prédictifs