SAS® Viya® et intégration Python pour Machine Learning

Au cours de cette formation, vous apprendrez à utiliser API Python 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 en Python 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 Python pour, par exemple, comparer les modèles estimés.

Apprendre à

• Utiliser l'API Python dans SAS Viya
• Soumettre des actions CAS à partir de Python
• Gérer et manipuler des données sur le serveur CAS
• Développer et comparer des modèles de machine learning sur le serveur CAS
• Déplacer des données entre la partie cliente et la partie serveur
• Utiliser la syntaxe Python avec des fonctions et des boucles
• Enregistrer les données In Memory de façon permanente

A qui s’adresse cette formation ?

Les utilisateurs codant en Python 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 en programmation sous Python en général, en programmation d’analyse de données et connaitre le package Pandas. Pour cette formation il n’y a pas des prérequis SAS.

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

SAS Viya et l'intégration Open Source

• SAS Viya et Cloud Analytic Services (CAS).
• Interfaces de développement open source.
• Scripting Wrapper for Analytics Transfer (SWAT).
• Principes fondamentaux des API R et Python.

Machine Learning

• Modélisation prédictive.
• Modèles prédictifs.
• Évaluation du modèle.