Uncategorized

Advanced Analytics | Data Visualization
Gerhard Svolba 0
Wien und die Donau – Paradies für Data Science und die Big Data Flut

Wien und die Donau: Zahlreiche Lieder, Geschichten und Filme dokumentieren die innige Beziehung zwischen der österreichischen Hauptstadt und „ihrem“ Fluss. Das war aber nicht immer so: Über Jahrhunderte stellte das Gewässer eine große Bedrohung für die Stadt dar – und es erforderte beträchtliche Ingenieurskunst, um die Donauauen in ein echtes

Risk Management
Thorsten Hein 0
Wie sieht’s eigentlich aus in Sachen IFRS-9-Implementierung?

Dass IFRS 9 spürbare Herausforderungen im Hinblick auf die Implementierung bringen würde, war von Anfang an klar. Neben den technischen Hürden haben sich Banken schon in einem sehr frühen Stadium den strengen Prüfungen durch Regulatoren, Investoren und Rating-Agenturen, Aufsichtsräten sowie externen und internen Prüfern stellen müssen. Doch verantwortungsbewusste und weitsichtige

Artificial Intelligence
Makoto Unemi (畝見 真) 0
SAS Viya:RNNでsin波を予測してみた

PythonからSAS Viyaの機能を利用するための基本パッケージであるSWATと、よりハイレベルなPython向けAPIパッケージであるDLPyを使用して、Jupyter NotebookからPythonでSAS Viyaのディープラーニング機能を使用した時系列予測を試してみました。  大まかな処理の流れは以下の通りです。 1.必要なパッケージ(ライブラリ)のインポート 2.Sin波データの生成 3.セッションの作成 4.RNN向け時系列データセットの作成 5.モデル構造の定義 6.モデル生成(学習) 7.予測  1.必要なパッケージ(ライブラリ)のインポート swatやdlpyなど、必要なパッケージをインポートします。 import numpy as np import pandas as pd import matplotlib.pyplot as plt import swat.cas.datamsghandlers as dmh from swat import * import dlpy from dlpy import Sequential from dlpy.layers import * from dlpy.model import Optimizer, AdamSolver, Sequence

Advanced Analytics | Learn SAS | Machine Learning
SAS Korea 0
머신러닝 해석력 시리즈 4탄: 라임(LIME)으로 모델 해석력 개선하기!

그 동안 머신러닝 해석력 시리즈를 통해서 머신러닝의 부분 의존성(PD; Partial Dependence), 데이터 세트 해석 등을 소개해드렸는데요. 오늘은 라임(LIME; Local Interpretable Model-Agnostic Explanation)을 통해 머신러닝 모델의 해석력을 개선할 수 있는 방법에 대해서 알아보겠습니다. 머신러닝 모델 해석력 시리즈 1탄, 2탄, 3탄을 놓치셨다면 아래 링크를 통해 확인해주세요! 머신러닝 해석력 시리즈 1탄: 인공지능(AI)과 머신러닝을 신뢰하기 위한 필수

Advanced Analytics | Analytics | Customer Intelligence | Data Visualization | Machine Learning
Suneel Grover 0
SAS Customer Intelligence 360: Decision management, machine learning, and digital marketing

A typical day brings countless business decisions that affect everything from profitability to customer experience. What is a reasonable price point? Which audience segments should I personalize offers for? When should I recommend specific content earlier in a customer journey? Daily decisions like these can alter the trajectory of a

Artificial Intelligence | Customer Intelligence
Gerhard Svolba 0
Real-Time Scoring und Customer Behavior Analysis: Das konnte Frau Cerny schon in den 1970er Jahren!

Nicht erst im Zeitalter von künstlicher Intelligenz (KI) und Real-Time Decision Engines werden historische und aktuelle Verhaltensweisen von Kunden analysiert. Die Praxis, anhand dieser Informationen Entscheidungen zu treffen und sie in Echtzeit auf die Kundeninteraktion anzuwenden, gab es bereits in den 1970er-Jahren. Frau Cerny betrieb den Lebensmittelladen im Wohnhaus meiner

Analytics | Artificial Intelligence
Nico Büttner 0
KI in Computerspielen und was sie uns über KI in der Geschäftswelt lehren kann

Ich muss gestehen: ich bin leidenschaftlicher Gamer. Man könnte auch sagen, ein „Nerd“. Ich liebe Computerspiele, nicht nur, sie zu spielen, sondern ich möchte auch wissen, wie sie gemacht werden, wie sie funktionieren und wohin die Entwicklung in Zukunft führen wird. Ganz besonders interessiert mich, wie künstliche Intelligenz in Spielen

Advanced Analytics | Customer Intelligence | Machine Learning
SAS Korea 0
SAS 커스터머 인텔리전스 360(SAS Customer Intelligence 360): 블랙 박스 모델의 해석 기법 알아보기

머신러닝의 블랙 박스 모델을 소개하는 첫 번째 블로그와 두 번째 블로그를 통해서 머신러닝 모델의 복잡성과 머신러닝의 뛰어난 예측 결과를 활용할 수 있는 해석력이 필요한 이유, 적용 분야에 대해서 소개해드렸는데요. 이번에는 기업 실무자 입장에서 SAS 비주얼 데이터 마이닝 앤드 머신러닝(SAS Visual Data Mining and Machine Learning)을 활용한 SAS 커스터머 인텔리전스 360(SAS Customer Intelligence 360)에서 해석 기법과

Analytics
Greg Horne 0
Is telemedicine the future of medicine?

I first used telemedicine (the remote diagnosis and treatment of patients by means of telecommunications technology) in the mid-90s when I was working as an on-call CT technician in the UK. We used a modem to transfer head trauma scans to the local neurology center for assessment so that the

1 55 56 57 58 59 311