SAS for Machine Learning & Deep Learning
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。
自动生成机器学习和深度学习洞察，识别所有模型中的常见变量、重要变量和评估结果。使用自然语言生成功能创建项目摘要，以简单语言编写，易于解释。分析人员可将项目注释添加到洞察报告中，以便团队沟通协作。
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。
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 采用云原生架构，设计紧凑，速度飞快，无论您使用的是哪种云服务，都能让您的投资获得巨大回报。
了解 SAS for Machine Learning & Deep Learning 的实际应用
SAS for Machine Learning & Deep Learning 推荐资源
如需按类型浏览资源，请选择下面的选项。
-
- 选择资源类型
- 博客文章
- 客户案例
- 文章
- 白皮书
- 白皮书
