机器学习与深度学习

SAS可视化数据挖掘和机器学习

通过简单、集成化的协作型解决方案,使用其内置自动化建模 API,解决最为复杂的分析问题。

助力所有员工在同一集成环境中工作,其中涵盖数据管理以及模型开发和部署整个流程。

利用自动化洞察轻松解决复杂的分析问题。

SAS 可视化数据挖掘和机器学习自动生成洞察,让您能够识别所有模型中最常见的变量、在模型中选择的最重要变量以及所有模型的评估结果。自然语言生成功能用于创建以简单语言编写的项目摘要,让您可以轻松解释报告。分析团队成员可以将项目注释添加到洞察报告中,以促进团队成员之间的沟通和协作。

为用户提供语言选项。

不了解 SAS 代码?没有关系。SAS Visual Data Mining and Machine Learning 可让您将开源代码嵌入分析结果,调用管道中的开源算法,并通过 Model Studio 中的通用储存库无缝访问这些模型。用户可以使用自己选择的语言执行所有这些操作,因此可以促进整个组织的协作。您还可以利用 GitHub 上的开源软件包 SAS Deep learning with Python (DLPy),在 Jupyter notebook 中使用 Python 来访问用于深度学习功能的高级 API,包括计算机视觉、自然语言处理、预测和语音处理。DLPy 支持开放式神经网络交换 (ONNX),可在框架之间轻松移动模型。

快速探索多种方法以找到最佳解决方案。

大规模并行处理的卓越性能和机器学习管道中功能丰富的构成要素,可让您快速了解和比较多种方法。您只需选择所需的选项,即可快速轻松地找到适用于各种机器学习算法(包括决策树、随机森林、梯度增加、神经网络、支持向量机和因式分解机)的最佳参数设置。复杂的本地搜索优化例程在后台工作,可以高效地调整模型。您还可以在集成的机器学习程序中组合非结构化和结构化数据,以便从新数据类型中获得更有价值的洞察。通过对生命周期各个阶段的可重现性进行分析,您能够获得可以信任的答案和见解。

提高分析团队的生产力。

数据科学家、业务分析师和其他分析专家,可从支持整个机器学习管道的单一协作环境中获得高度准确的结果。各类用户都可以访问和准备数据。进行探索性分析。建立和比较机器学习模型。创建评分代码以实施预测模型。执行一键式模型部署。使用我们的自动建模 API,用户可以比以往更快地完成所有这些工作。

减少数据和决策之间的延迟。

为了增强协作理解,该解决方案在每个节点内为所有用户提供有助于商业运营的注释,对正在运行的方法以及方法、结果和解释的相关信息进行描述。

使用简单语言解释模型。

在所有建模节点(包括 LIME、ICE、SHAP、PD 热图等)中都提供标准的可解释性报告,其中包含来自嵌入式自然语言生成的简单语言解释。将建模信息导出为 PDF 报告,可以在数据科学团队之外共享。

台式机显示器上显示的 SAS Visual Data Mining and Machine Learning

免费试用

试用最新 SAS Viya 功能。

获取 SAS Viya 14 天免费试用,其中包括此套件以及整个分析生命周期的功能。

客户成功案例

SAS 应用最佳实践

主要功能

全面的视觉和编程界面支持端到端的数据挖掘和机器学习流程。所有技能水平的分析团队成员,都能够以简单、强大的自动化方式处理所有分析生命周期的任务。

数据访问、准备和质量

使用直观的界面进行数据访问、分析、清理和转换,该界面通过嵌入式 AI 提供自助数据准备功能。

创建自定义聊天机器人

通过直观的低代码可视化界面创建和部署自定义自然语言聊天机器人,通过聊天机器人获取有用信息并实现出色的对话式用户体验​。

数据可视化

通过单一的自助服务界面直观地浏览数据,创建和共享智能可视化和交互式报告。增强分析和高级功能可助力用户快速获得洞察,帮助您发现数据中隐藏的信息​。

合成数据生成

利用生成式对抗网络 (GAN) 为您的深度学习模型生成合成数据,包括图像和表格数据。

自动化洞察和可解释性

自动生成洞察,包括有关项目、最佳模型和挑战者模型的汇总报表。嵌入式自然语言生成流程中的简单语言有助于报表解释,并减少业务分析师的学习难度。通过 PDF 报告共享建模见解。

偏见检测

评估模型相对于指定群组的性能和结果偏差。

前沿机器学习技术

利用强化学习(通过 Fitt Q-Networks、Deep Q-Networks 或 Actor-Critim)来解决顺序决策问题,同时支持自定义环境。

掌控决策树

以交互方式调整决策树节点的拆分和修剪,以反映您的业务知识并强制执行监管限制。

自动化特征工程和建模

节省时间并提高生产力。自动化特征工程通过对特征进行排名来选择最佳建模特征集,以指示其在转换数据中的重要性。根据您的数据动态生成可视化管道,并确保可编辑以保留白盒模型。

公共 API 可实现自动化建模

只需选择自动化选项,即可利用公共 API 进行自动化建模,实现端到端模型开发和部署。此外,还能使用此 API 构建和部署自定义预测建模应用程序。在 developer.sas.co 上查看示例。

借助 Python 和 ONNX 支持进行深度学习

通过 GitHub 上的 SAS Deep learning with Python (DLPy) 开源软件包,Python 用户能够访问 Jupyter notebook 中用于深度学习功能的高级 API。DLPy 支持开放式神经网络交换 (ONNX),可在框架之间轻松移动模型。通过利用 Analytic Store (ASTORE),使用 ONNX 模型对各种环境中的新数据集进行评分。

易于使用的分析

最佳实践模板可以快速、一致地构建模型,并确保分析团队之间协调统一。分析功能包括聚类、不同类型的回归、随机森林、梯度增加模型、支持向量机、自然语言处理、主题检测等。

网络分析

使用多种网络算法增强数据挖掘和机器学习方法,探索业务数据中的显式或隐式网络结构(社交、金融、电信和其他)。

高度可扩展的内存分析处理

在安全的多用户环境中,允许对内存中的数据进行并行存取。在每个节点,以多线程并行方式跨节点分布数据和分析工作量操作,以实现极快的处理速度。

计算机视觉和生物医学成像

通过在服务器、边缘或移动设备上部署模型来采集和分析图像。支持用于分析生物医学图像(包括注释图像)的端到端流数据。

使用您选择的语言编写代码

建模人员和数据科学家可以从其首选的编码环境(Python、R、Java 或 Lua)访问 SAS 功能,并通过 SAS Viya REST API 将 SAS 的功能添加到其他应用程序中。

云原生

SAS Viya 的基础架构具有紧凑、云原生和快速的特性。无论是更青睐 SAS 云还是公共云或私有云提供商,您都可以将云投资发挥到极致。

选择使用您的首选云提供商

加快云平台决策,克服所有分析挑战。

了解有关 SAS 云的信息
了解有关 SAS on Microsoft Azure 的信息
了解有关 SAS on AWS 的信息
了解有关 SAS on GCP 的信息
了解有关 SAS on OpenShift 的信息

探索 SAS Visual Data Mining and Machine Learning 和其他产品的更多信息

如需按类型浏览资源,请选择下面的选项。

    • 选择资源类型
    • Analyst Report
    • Article
    • Blog Post
    • Book Excerpt
    • Case Study
    • Customer Story
    • E-Book
    • Fact Sheet
    • Industry Overview
    • Infographic
    • Interview
    • Overview Brochure
    • Product Brief
    • Research
    • Series
    • Solution Brief
    • Video
    • White Paper
    • White Paper
    • 网络研讨会