SAS 機器學習和深度學習
讓每個人都能在相同的整合環境中，進行從資料管理到模型開發和部署等工作。
-
利用自動化洞察，輕鬆解決複雜的分析問題
自動生成機器學習和深度學習的洞察，識別所有模型中最常見的變數、跨模型選出的最重要變數，以及所有模型的評估結果。自然語言生成功能可用於建立以簡單語言撰寫的專案摘要，讓您能夠輕鬆解譯報告。資料分析團隊成員可以將專案備註加至洞察報告，以促進團隊成員之間的溝通和協作。
主要特色
全面視覺化和程式設計介面支援端對端資料探勘和機器學習流程。所有技能等級的資料分析團隊成員都能夠以簡單、強大且自動化的方式，處理所有資料分析生命週期任務。
資料存取、準備和品質
使用直觀的介面存取、分析、清理和轉換資料，該介面透過嵌入式 AI 提供自助式資料準備功能。
資料視覺化
透過單個自助式介面，直觀地探索資料、建立和分享智慧視覺效果和互動式報表。增強分析和進階功能可加速洞察，並幫助您發現資料中隱藏的情況。
產生合成資料
充分利用生成對抗網路 (GAN)，為您的深度學習模型產生影像和表格式合成資料。
自動化洞察和判讀性
自動產生洞察，包括專案以及冠軍和挑戰者模型相關摘要報告。內嵌自然語言產生技術的簡單語言有助於解釋報告，並縮短業務分析師的學習曲線。透過 PDF 報告分享建模洞察。
偏差偵測
評估模型相對於指定群組的效能和結果偏差。
尖端機器學習
充分利用強化學習，透過 Fitted Q-Network、Deep Q-Network 或 Actor-Critic 解決循序決策制定問題，同時支援自訂環境。
掌控下的決策樹
以互動方式調整決策樹節點的分割和剪除，反映您的業務知識並強制執行管制約束。
自動化特徵工程和建模
節省時間並改善生產力。自動化特徵工程透過將特徵排名，指出這些特徵在資料轉換上的重要性，從而選取最佳特徵集，以進行建模。視覺化管道雖是從您的資料中動態產生，但可編輯，以保持白盒模型。
自動化建模公用 API
選擇自動化選項，即可充分利用公用 API 進行自動化建模，開發和部署端對端模型。也可使用此 API 建置和部署您自己的自訂預測建模應用程式。查看 developer.sas.com 上的範例。
支援 Python 和 ONNX 的深度學習
Python 使用者可以透過 GitHub 上的開放式程式碼套件 SAS Deep Learning with Python (DLPy)，在 Jupyter Notebook 中存取高階 API，以取得深度學習功能。DLPy 支援 Open Neural Network Exchange (ONNX)，能在架構之間輕鬆移動模型。充分利用分析儲存區 (ASTORE)，在各種環境中使用 ONNX 模型對新資料集進行評分。
易於使用的資料分析
最佳做法範本讓您能以快速、一致的方法開始建置模型，確保資料分析團隊之間達到一致。分析功能包括群集、不同類型的迴歸、隨機樹系、梯度提升模型、支援向量機、自然語言處理、主題偵測等。
網路資料分析
使用一組多功能的網路演算法，增強資料探勘和機器學習方法，以探索明確或隱含屬於業務資料的網路結構，包括社交、金融、電信和其他。
高度可擴展的記憶體內分析處理
在安全的多使用者環境中同時存取記憶體內資料。將資料和分析工作負載操作分散至平行執行的節點，每個節點上皆採多執行緒形式，以便極快速執行。
電腦視覺和生物醫學成像
透過伺服器、邊緣裝置或行動裝置上的模型部署，取得並分析影像。支援用於分析生物醫學影像 (包括註解影像) 的端對端流程。
以您選擇的語言編寫程式碼
建模者和資料科學家可以從慣用的程式碼編寫環境 (Python、R、Java 或 Lua) 存取 SAS 功能，並使用 SAS Viya REST API 將 SAS 的功能新增至其他應用程式。
雲端原生
SAS Viya 的架構緊湊、雲端原生且高效，讓您無論使用哪家雲端供應商，皆可最大化雲端投資的效益。
查看 SAS 機器學習和深度學習服務的實際運作
SAS 機器學習和深度學習的推薦資源
若要依類型瀏覽資源，請點選下列選項。
-
- 選擇資源類型
- 客戶案例
- 白皮書
- 白皮書
- 部落格文章
