Machine Learning

Get the latest machine learning algorithms and techniques

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

Advanced Analytics | Analytics | Customer Intelligence | Data Visualization | Machine Learning
Suneel Grover 0
SAS Customer Intelligence 360: Model management for competitive differentiation [Part 1]

The universe of customer experiences, digital analytics, personalization and decisioning is massive. At times, it can seem as complicated and vast as the galaxy itself. With intricate subjects underneath this umbrella, you can lose direction, wander aimlessly, or feel a misleading sense of success or failure. When you lose vision,

Analytics | Machine Learning
Chris Hartmann 0
Machine Learning: Mehr Effizienz im Planungsprozess

Sie glauben, dass Machine Learning die Rolle von Nachfrageplanern komplett ersetzen kann? Dann lesen Sie diesen Beitrag besser nicht. Wenn Sie jedoch der Ansicht sind, dass maschinelles Lernen den Planungsprozess automatisieren kann, so dass Nachfrageplaner effizienter arbeiten können, dann stimme ich Ihnen voll und ganz zu! Intelligente Automatisierungstechniken sind quasi

Analytics | Artificial Intelligence | Machine Learning
Makoto Unemi (畝見 真) 0
SAS Viya:一般物体検出(Object Detection)を試してみた

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の機能を使用して一般物体検出(Object Detection)を試してみました。  今回は、弊社で用意した数枚の画像データを使用して、処理の流れを確認するだけなので、精度に関しては度外視です。  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)のインポートとセッションの作成 2.一般物体検出向け学習用データの作成 3.モデル構造の定義 4.モデル生成(学習) 5.物体検出(スコアリング)  1.必要なパッケージ(ライブラリ)のインポートとセッションの作成 swatやdlpyなど、必要なパッケージをインポートします。 from swat import * import sys sys.path.append(dlpy_path) from dlpy.model import * from dlpy.layers import * from dlpy.applications import * from dlpy.utils import * from dlpy.images import ImageTable   from dlpy.splitting import two_way_split from dlpy.blocks import *

Advanced Analytics | Analytics | Artificial Intelligence | Customer Intelligence | Data Visualization | Machine Learning
Suneel Grover 0
SAS Customer Intelligence 360: A look inside the black box of machine learning [Part 3]

In parts one and two of this blog posting series, we introduced machine learning models and the complexity that comes along with their extraordinary predictive abilities. Following this, we defined interpretability within machine learning, made the case for why we need it, and where it applies. In part three of

Advanced Analytics | Analytics | Artificial Intelligence | Customer Intelligence | Data Visualization | Machine Learning
Suneel Grover 0
SAS Customer Intelligence 360: A look inside the black box of machine learning [Part 2]

In part one of this blog posting series, we introduced machine learning models as a multifaceted and evolving topic. The complexity that gives extraordinary predictive abilities also makes these models challenging to understand. They generally don’t provide a clear explanation, and brands experimenting with machine learning are questioning whether they

Advanced Analytics | Machine Learning
Mark Hanson 0
Uncovering the unknowns: Why pharma is evolving from data analytics to data science

“There are known knowns … There are known unknowns … There are also unknown unknowns” This statement by Donald Rumsfeld is famous from the world of politics. But the phrase “unknown unknowns” was actually coined by a NASA data scientist to describe the huge possibilities presented to us by big data

Advanced Analytics | Analytics | Artificial Intelligence | Machine Learning
Makoto Unemi (畝見 真) 0
SAS Viya:Python API向けパッケージ:DLPyの最新版1.0拡張機能概要紹介

SASでは、従来からオープン・AIプラットフォームであるSAS Viyaの機能をPythonから効率的に活用いただくためのハイレベルなPython向けAPIパッケージであるDLPyを提供してきました。 従来のDLPyは、Viya3.3以降のディープラーニング(CNN)と画像処理(image action set)のために作成された、Python API向けハイレベルパッケージです。 DLPyではKerasに似たAPIを提供し、より簡潔なコーディングで高度な画像処理やCNNモデリングが可能でした。 そして、この度、このDLPyが大幅に機能拡張されました。 最新版DLPy1.0では、以下の機能が拡張されています。 ■ 従来からの画像データに加え、テキスト、オーディオ、そして時系列データを解析可能 ■ 新たなAPIの提供: ・ RNN に基づくタスク: テキスト分類、テキスト生成、そして 系列ラベリング(sequence labeling) ・ 一般物体検出(Object Detection) ・ 時系列処理とモデリング ・ オーディオファイルの処理と音声認識モデル生成 ■ 事前定義ネットワーク(DenseNet, DarkNet, Inception, and Yolo)の追加 ■ データビジュアライゼーションとメタデータハンドリングの拡張 今回はこれらの拡張機能の中から「一般物体検出(Object Detection)」機能を覗いてみましょう。 SAS Viyaでは従来から画像分類(資料画像1.の左から2番目:Classification)は可能でした。例えば、画像に映っている物体が「猫」なのか「犬」なのかを認識・分類するものです。 これに加えて、DLPy1.0では、一般物体検出(資料画像1.の左から3番目:Object Detection)が可能になりました。 資料画像1. (引用:Fei-Fei Li & Justin Johnson & Serena Yeung’s Lecture

Advanced Analytics | Analytics | Artificial Intelligence | Customer Intelligence | Data Visualization | Machine Learning
Suneel Grover 0
SAS Customer Intelligence 360: A look inside the black box of machine learning [Part 1]

As machine learning takes its place in numerous advances within the marketing ecosystem, the interpretability of these modernized algorithmic approaches grows in importance. According to my SAS peer Ilknur Kaynar Kabul: We are surrounded with applications powered by machine learning, and we’re personally affected by the decisions made by machines

Artificial Intelligence | Fraud & Security Intelligence | Machine Learning
John Maynard 0
Unasked fraud questions answered by AI

Artificial intelligence often seems misunderstood, especially in fraud. The same is true of machine learning. One of the amazing things about them is they ask the unasked questions. This occurs as artificial intelligence (AI) and machine learning (ML) go about their daily work. So, what is the unasked question? Too

Advanced Analytics | Machine Learning
Susan Kahler 0
Four machine learning strategies for solving real-world problems

There are four widely recognized styles of machine learning: supervised, unsupervised, semi-supervised and reinforcement learning. These styles have been discussed in great depth in the literature and are included in most introductory lectures on machine learning algorithms. As a recap, the table below summarizes these styles. For a comprehensive mapping

Analytics | Artificial Intelligence | Machine Learning
Rhett Scheel 0
Bühne frei für KI und Machine Learning im Gesundheitswesen!

Krankenversicherung und neue Technologien – geht das zusammen? Auf alle Fälle! Und das User-Group-Treffen „Analytik in der Krankenversicherung“, das kürzlich in Leipzig stattfand, hat es unter Beweis gestellt. Diese von den Gesundheitsforen Leipzig ausgerichtete Veranstaltung ist ein sehr informatives Forum, auf dem sich analytische Fachexperten aus der Gesetzlichen Krankenversicherung (GKV)

Artificial Intelligence | Machine Learning | Programming Tips | Risk Management
Sian Roberts 0
Deep learning for numerical analysis explained

Deep learning (DL) is a subset of neural networks, which have been around since the 1960’s. Computing resources and the need for a lot of data during training were the crippling factor for neural networks. But with the growing availability of computing resources such as multi-core machines, graphics processing units

Advanced Analytics | Analytics | Artificial Intelligence | Machine Learning
Javier Alexander Rengifo 0
Capacidades y aplicaciones de la Inteligencia Artificial

En la actualidad, se ha masificado el uso de la Inteligencia Artificial (IA) en diferentes aplicaciones de negocio como: los servicios de atención al cliente y la toma de decisiones operativas en diferentes áreas de las empresas, consiguiendo optimizar múltiples procesos, al hacerlos más eficientes y logrando una mayor rentabilidad.

Advanced Analytics | Analytics | Artificial Intelligence | Data Visualization | Machine Learning
Makoto Unemi (畝見 真) 0
AI民主化を加速する「自動分析機能」が登場

AIプラットフォームSAS Viyaでは、「AI実用化」や「AI民主化」を促進するために、従来から自動予測モデル生成や、機械学習やディープラーニングの判断根拠情報の提供などを可能としていましたが、SAS Visual Analytics on SAS Viyaの最新版8.3では、新たに「自動分析」機能が実装されました。 「自動分析」機能を使用すると、予測(ターゲット)に影響を与えている変数の特定や、変数ごとにどのような条件の組み合わせがターゲットに依存しているのかを「文章(条件文)」で表現して教えてくれます。 この例で使用するデータ「HMEQJ」は、ローンの審査を題材にしたもので、顧客ごとに1行の横持ちのデータです。このデータ内にある「延滞フラグ」が予測対象の項目(ターゲット変数)で、0(延滞なし)、1(延滞あり)の値が含まれています。 データリスト内の「延滞フラグ」を右クリックし、「分析」>「現在のページで分析」を選ぶだけで、「延滞フラグ」をターゲット変数に、その他の変数を説明変数とした分析が自動的に行われ、 以下のような結果が表示されます。 分析結果画面内説明: ① ドロップダウンリストで、予測対象値(0:延滞なし、1:延滞あり)の切り替えが可能です。この例では、「1:延滞あり」を選択し、「延滞する」顧客に関して分析しています。 ② 全体サマリーとして、すべての顧客の内、延滞実績のある顧客は19.95%であり、「延滞する」ことに関して影響度の高い変数が順に表記されています。 ③ 「延滞する」ことに関して影響を与えている変数の度合い(スコア)を視覚的に確認することができます。 ④ 「延滞する」可能性が最も高くなるグループ(条件の組み合わせ)が文章で示されています。この例では、③で「資産に対する負債の割合」が選択され、これに応じて文章内の該当箇所がハイライトしています。 ⑤ この例では、③で「資産に対する負債の割合」が選択され、これに応じて「0:延滞なし、1:延滞あり」別の顧客の分布状況がヒストグラムで表示されています。選択された変数が数値属性の場合は、ヒストグラムで、カテゴリ属性の場合は積み上げ棒グラフで表示されます。 分析に使用する説明変数(要因)に関しては、右側の「データ役割」画面内で選択することができます。 以上のように、分析スキルレベルの高くないビジネスユーザーでも、簡単かつ容易に、そして分かり易くデータから有効な知見を得ることができます。 ※AIプラットフォーム「SAS Viya」を分かり易く学べる「特設サイト」へGO!

Advanced Analytics | Machine Learning | SAS Events
Gerhard Svolba 0
It takes more than just a data scientist to build a machine learning model! Credit all who participate in the tasks of the analytics life cycle

It is my third time in San Francisco, and again I am highly impressed by the great architecture of the Golden Gate Bridge. This time I take a boat over to Sausalito at the other side of the bay. The museum there tells about the diverse history of the village

1 2 3 10

Back to Top