In a previous post, Zero to SAS in 60 Seconds- SAS Machine Learning on SAS Cloud, I documented my experience with a SAS free trial on the SAS Cloud. Well, the engineers at SAS have been busy and created another free trial. The new trial covers SAS Event Stream Processing
Search Results: Visual Analytics (1734)
How we built a recommendation engine for new topics on communities.sas.com. We used data, machine learning, and DevOps to build a scoring engine with SAS.
Estamos viviendo un momento histórico. Tal y como lo recuerda nuestro CEO, Jim Goodnight, 2019 es especial porque se cumplen 50 años de la llegada del hombre a la luna. En ese entonces, se necesitaron 400.000 científicos, técnicos, matemáticos e ingenieros para convertir la idea de aterrizar en la luna
How do you explain flat-line forecasts to senior management? Or, do you just make manual overrides to adjust the forecast? When there is no detectable trend or seasonality associated with your demand history, or something has disrupted the trend and/or seasonality, simple time series methods (i.e. naïve and simple
지난 7월 4일 SAS코리아는 광화문 포시즌스호텔에서 국내 제조 산업 관계자를 대상으로 ‘SAS 제조 이노베이션 포럼 2019(SAS Manufacturing Innovation Forum 2019)’을 성공적으로 개최했습니다. SAS는 이번 포럼에서 미국, 독일, 일본 및 국내 제조사들의 고객 사례를 통해 ▲글로벌 B2B 업계의 예측 자산 유지보수 ▲제품 품질 및 투자 수익(ROI) 개선 ▲수요 예측을 통한 생산/판매
Some people still associate artificial intelligence (AI) with robots taking over the world. There's a lot of hype around self-driving cars and personal robots. However, there are far more realistic and beneficial examples of AI in everyday life. AI is the science of training systems to emulate human tasks through
I never took calculus. I can’t code. I have no industry expertise in supply chains or Basel III. My most lengthy study of AI is watching Bernard reanimate Dolores on Westworld. Based on the above, you could make the argument that I have no place in an analytics company. But
Neural networks, particularly convolutional neural networks, have become more and more popular in the field of computer vision. What are convolutional neural networks and what are they used for?
Technological advancements are changing every industry – and the health care industry is no exception. The value of AI has never been greater than when it’s used to improve patients’ conditions and save lives. For example, Cancer Center Amsterdam joined forces with SAS to improve patient care outcomes with AI.
El análisis de la información en las empresas ha dejado de ser un elemento opcional para convertirse en uno fundamental que puede ser la diferencia entre mantenerse competitivo o salir del mercado. Como ejemplo, los analistas de KPMG han demostrado, a través de un estudio-consulta, que el 33% de las
Interestingly enough, paperclips have their own day of honor. On May 29th we celebrate #NationalPaperclipDay! That well-known piece of curved wire deserves attention for keeping our papers together and helping us stay organized. Do you remember who else deserved the same attention? Clippit – the infamous Microsoft Office assistant, popularly known as ‘Clippy’.
It can be hard to get a handle on what artificial intelligence (AI) and machine learning (ML) will actually do. We all understand – in theory, at least – that they could change the way we live and work. In most cases and for most of us, however, the precise
In this blog, I use a Recurrent Neural Network (RNN) to predict whether opinions for a given review will be positive or negative. This prediction is treated as a text classification example. The Sentiment Classification Model is trained using deepRNN algorithms and the resulting model is used to predict if new reviews are positive or negative.
Para quienes trabajamos en el mundo de la analítica, nos resulta cada vez más sencillo explicar cuál es el impacto social de nuestro trabajo y por qué el desarrollo de esta ciencia -que tomamos profesionalmente- es un tema que nos apasiona tanto. Nosotros sabemos que la analítica es capaz de cambiar el
Nach Lust und Laune scheinen Versicherer die Jahresprämien ihrer Policen in schöner Regelmäßigkeit zu erhöhen. Wenn der zweimal gefalzte Brief so unschuldig im Kasten auf Öffnung wartet, möchte man am liebsten gar nicht reinschauen. Michael Rabin, Versicherungsexperte mit analytischem Weitblick, hat sich bereit erklärt, hier und jetzt eine Lanze für
What if, apart from the new organisation of production assets, the fourth industrial revolution also implies a significant evolution in the knowledge management intrinsic to each domain? What if new digital technologies allow the operational actors to simply access this knowledge, mostly derived from empirical methods, thanks to analytical methods and
SAS Viya for Learners offers free access to AI and machine learning software for higher education teaching and learning, hosted in a new learning portal by SAS.
"Practical AI" might seem like an oxymoron to some. But that’s only if you view artificial intelligence as a futuristic and unrealistic pursuit. Kirk Borne, PhD, decidedly does not. Borne is the Principal Data Scientist and an Executive Advisor at global technology and consulting firm Booz Allen Hamilton. In this
Phil Simon says that the downsides of even a few discrepancies can be enormous.
Et si, en dehors de la nouvelle organisation des moyens de production, la 4ème révolution industrielle induisait également une évolution significative dans la gestion de la connaissance intrinsèque à chaque domaine ? Et si les nouvelles technologies numériques permettaient aux acteurs opérationnels d’accéder simplement à cette connaissance, le plus souvent fruit de méthodes
Have you ever wondered if love at first sight really exists? And if it exists, what qualities are people drawn too? Watch any romantic comedy and you’ll see this phenomenon play out on the big screen. Which begs the question, “If it can happen to them why not me?” Let’s
There's been a lot of hype regarding using machine learning (ML) for demand forecasting, and rightfully so, given the advancements in data collection, storage, and processing along with improvements in technology. There's no reason why machine learning can't be utilized as another forecasting method among the collection of forecasting methods
I recently reacquainted myself with this excellent Executives Guide to AI from our friends at McKinsey & Company. The authors have distilled a complex topic into something easily digestible while avoiding jargon and hyperbole. While not in the CliffsNotes or Bluffer’s Guide category, this Insights article undoubtedly helps the reader
Virtual reality (VR), augmented reality (AR), eXtended reality (XR), mixed reality (MR), spatial augmented reality, hybrid reality. That's a lot of new technology and a lot of acronyms for a philosophical concept that has been pondered for millennia: what is reality? An intelligent reality is a technologically enhanced reality that
In my previous post, “Why personalising the student experience is critical to higher education’s viability," we examined the role customer intelligence can play in driving value for universities and students across the higher education journey. Specifically, analytics has a vital role to play in helping decision makers, particularly marketers, to
This is the fifth and final post in my series of posts about the deep learning model I developed to detect tumors in 3D CT scans of livers. My last post talked about visualizing the results of the computer vision project. This post will cover model accuracy and the final
この記事はSAS Institute Japanが翻訳および編集したもので、もともとはXindian Longによって執筆されました。元記事はこちらです(英語)。 物体検出とは? 物体検出とはコンピューター・ビジョンの一分野であり、画像内に含まれる関心対象の物体を自動的に背景から区別して位置特定する手法です。例えば、図1に示す2つの画像では、いずれも前景に物体があります。左の画像では鳥が、右の画像では犬と人間が前景にあります。 「物体検出問題の解決」とは、「これらの物体をぴったりと囲むバウンディング・ボックスを配置し、それぞれのバウンディング・ボックスに対して正しい物体カテゴリーを関連付けること」を意味します。画像処理の領域における他のタスクと同様、物体検出を実行するときにもディープ・ラーニングは最先端の手法として力を発揮します。 物体検出の仕組み 物体検出に関する重要な問題の1つは、前景にある物体の数が画像によって様々に異なる、ということです。しかし、ここでは物体検出の仕組みを理解するために、まずは1つの画像に1個の物体しか存在しないと仮定し、この制約条件の下で物体検出問題を考えてみましょう。1つの画像に1個の物体しか存在しない場合、バウンディング・ボックスの発見と物体のカテゴリー判断という問題は、単純明快な方法で解決することができます。バウンディング・ボックスは4組の数値で表現されますから、バウンディング・ボックスの位置を学習するタスクは、回帰問題として無理なくモデル化することが可能です。そのタスクが済めば、物体のカテゴリー判断は分類問題として解くことができます。 ここでの「制約条件付きの物体検出」という課題に関する回帰および分類問題に対する解法を提供するのは、図2に示す畳み込みニューラル・ネットワーク(CNN)です。コンピューター・ビジョンの領域における他の従来型タスク(例:画像認識、キーポイント検出、セマンティック・セグメンテーションなど)の場合と同様、ここでの「制約条件付きの物体検出」という課題では、固定数のターゲットを扱います。これらのターゲットの当てはめは、固定数の分類または回帰問題としてターゲットをモデル化することによって実行可能です。 前述のとおり、真の物体検出はN個の物体を処理できなければなりません(Nの値は画像によって異なります)。残念ながら、図2に示したCNNは、このような、より一般的な問題を解決することができません。しかし、多くの矩形ボックスの位置とサイズについて仮説を立てることによってCNNの変種を使用し、CNNを物体の分類にのみ利用する、というやり方は可能かもしれません。私たちはそのような場合の矩形ボックスを、しばしば「ウィンドウ」と呼びます。ウィンドウ仮説を汎用的なものにするためには、画像内で考えられる全ての位置とサイズをカバーしなければなりません。それができれば、それぞれのサイズと位置のウィンドウについて、「その中に物体が存在するかどうか?」と、「存在する場合、物体のカテゴリーは何か?」を判断することが可能になります。 図3は、このアプローチで物体検出を実現する場合に候補となりうるウィンドウをいくつか示しています。画像は有限個のピクセルで構成されていますから、ウィンドウの総数は膨大です。検討すべきウィンドウの数の膨大さを考えると、このアプローチはコンピューティングの観点からは非実用的です。 ウィンドウを用いて物体を探すための効率的な手法 では、「一部のウィンドウだけを調べる」というスマートな方法で物体検出を実行することは可能でしょうか? 答えは「イエス」です。このような「ウィンドウの部分集合」を発見する方法には2つのアプローチがあり、それらは2つの異なる物体検出アルゴリズムへとつながります。 第1のカテゴリーのアルゴリズムは、最初にリージョン・プロポーザル(領域候補の抽出)を実行します。これは具体的には、コンピューター・ビジョンの従来の手法(選択的検索など)を用いて、あるいは、ディープ・ラーニングに基づくリージョン・プロポーザル・ネットワーク(region proposal network: RPN)を用いて、物体を含んでいる可能性の高い領域を選択する、ということです。候補ウィンドウの少数のセットを収集したら、セットの数だけ回帰モデルおよび分類モデルを定式化することによって、物体検出問題を解決することができます。このカテゴリーに属するアルゴリズムとしては、Faster R-CNN[1]、R_FCN[2]、FPN-FRCN[3] などがあります。このカテゴリーのアルゴリズムは、通常、「2段階法」と呼ばれます。これらは一般に、この後に紹介する「1段階法」に比べ、正確性は優れていますが、処理は低速です。 第2のカテゴリーのアルゴリズムは、固定位置にある固定サイズの物体だけを探します。これらの位置とサイズは、ほとんどのシナリオがカバーされるように戦略的に選択されます。通常、これらのアルゴリズムは、元の画像を固定サイズのグリッド(格子)領域に分割した上で、それぞれのグリッド領域に関して、あらかじめ決めておいた所定の形状およびサイズの、固定数の物体を予測することを試みます。このカテゴリーに属するアルゴリズムは「1段階法」と呼ばれます。この手法の例としては、YOLO[4]、SSD[5]、RetinaNet[6]などが挙げられます。このカテゴリーのアルゴリズムは、通常、より高速に実行できますが、正確性は劣ります。このタイプのアルゴリズムは、リアルタイム検出を必要とするアプリケーションで活用されることが多くなっています。 以下では、これらのうち2つの一般的な物体検出手法を取り上げ、もう少し詳しく検討します。 YOLOによる物体検出 YOLO (You Only Look Once) は、1段階の物体検出手法を用いる代表的なアルゴリズムです。このアルゴリズムが物体を検出するためにたどるステップを、図4とその下の箇条書きに示します。 元の画像を等サイズのグリッドに分割します。 それぞれのグリッドに関して、事前に定義した形状の、グリッドの中心を中心位置とするバウンディング・ボックスを、事前に設定した数だけ予測します。それぞれの予測には、クラス確率と物体信頼度(その領域が物体を含んでいるか、あるいは背景のみか)が関連付けられます。 最後に、高い物体信頼度およびクラス確率が関連付けられたバウンディング・ボックスを選択します。最も高いクラス確率を持つ物体クラスが、その物体のカテゴリーとなります。 事前に定義した形状の事前に設定した数のバウンディング・ボックスは「アンカーボックス」と呼ばれ、k平均法アルゴリズムによってデータから取得されます。アンカーボックスは、物体のサイズと形状についてデータセットから予備知識を捕捉します。異なるサイズおよび形状の物体を検出するためには、異なるアンカーが設計されます。例えば図5では、1つの場所に3種類のアンカーが表示されていますが、最終的には赤のアンカーボックスが中央の人物を検出します。言い換えると、アルゴリズムは、物体とこのアンカーボックスの適切なサイズを一緒に検出します。通常、最終的な予測は、アンカーの位置またはサイズ自体とは異なります。なぜなら、画像の特徴量マップから取得される最適化されたオフセット値が、アンカーの位置またはサイズに加算されるからです。 YOLOアルゴリズムのアーキテクチャを図6に示します。検出層は、多数の回帰および分類オプティマイザーを含んでおり、その数はアンカーの数によって決まります。 Faster RCNNによる物体検出 Faster RCNN[1] は、2段階の物体検出アルゴリズムです。図7は、Faster RCNNの2つの段階を示しています。アルゴリズム名に “Faster” と付いていますが、「1段階法よりも高速」という意味ではありません。この名称は歴史的な経緯を反映しており、以前のバージョン(オリジナルのRCNNアルゴリズム[7] やその後継のFast RCNN[8])よりも高速であることを示しています。Faster RCNNにおける高速化は、個々の関心領域(Region of Interest: RoI)に関する特徴抽出計算を共有する手法と、ディープ・ラーニングに基づくリージョン・プロポーザル・ネットワーク(RPN)の導入によって実現されています。 多数のCNN層を用いて特徴量マップを抽出した後、リージョン・プロポーザル・ネットワーク(RPN)が、物体を含んでいる可能性の高い多数のウィンドウを出力します。その後、アルゴリズムは、各ウィンドウ内部の特徴量マップを取得し、それらを固定サイズにリサイズ(またはポール)することで(=RoIプーリング)、物体のクラス確率とより正確なバウンディング・ボックスを予測します。
There is tremendous value buried text sources such as call center and chat dialogues, survey comments, product reviews, technical notes, legal contracts... How can we extract the signal we want amidst all the noise?
The SAS Learning post has merged with the SAS Users blog to provide you with all the training, certification, books, events, and programming tips you need.
There will be more than 55 billion IoT devices by 2025 – more than four devices for every person on earth. That means that big data is only getting bigger. All of that high frequency, high velocity data from connecting the physical world to the digital world is available, and