Tree-Based Machine Learning Methods in SAS(R) Viya(R)

Kód kurzu: VBBF35

Tato část není lokalizována

Decision trees and tree-based ensembles are supervised learning models used for problems involving classification and regression. This course covers everything from using a single tree to more advanced bagging and boosting ensemble methods in SAS Viya. The course includes discussions of tree-structured predictive models and the methodology for growing, pruning, and assessing decision trees, forest and gradient boosting models. The course also explains isolation forest (an unsupervised learning algorithm for anomaly detection), deep forest (an alternative for neural network deep learning), and Poisson and Tweedy gradient boosted regression trees. In addition, many of the auxiliary uses of trees, such as exploratory data analysis, dimension reduction, and missing value imputation, are examined, and running open source in SAS and running SAS in open source are demonstrated.

The self-study e-learning includes:

  • Annotatable course notes in PDF format.
  • Virtual lab time to practice.

Odborní
certifikovaní lektoři

Mezinárodně
uznávané certifikace

Široká nabídka technických
a soft skills kurzů

Skvělý zákaznický
servis

Přizpůsobení kurzů
přesně na míru

Termíny kurzu

Počáteční datum: Na vyžádání

Forma: E-learning

Délka kurzu: 21 hodin

Jazyk: en

Cena bez DPH: 27 000 Kč

Registrovat

Počáteční datum: Na vyžádání

Forma: Na vyžádání

Délka kurzu: 21 hodin

Jazyk: en

Cena bez DPH: 45 000 Kč

Registrovat

Počáteční
datum
Místo
konání
Forma Délka
kurzu
Jazyk Cena bez DPH
Na vyžádání E-learning 21 hodin en 27 000 Kč Registrovat
Na vyžádání Na vyžádání 21 hodin en 45 000 Kč Registrovat
G Garantovaný kurz

Nenašli jste vhodný termín?

Napište nám o vypsání alternativního termínu na míru.

Kontakt

Cílová skupina

Tato část není lokalizována

Predictive modelers and data analysts who want to build decision trees and ensembles of decision trees using SAS Visual Data Mining and Machine Learning in SAS Viya

Struktura kurzu

Tato část není lokalizována

Introduction to Decision Trees

  • Tree-structured models.
  • Recursive partitioning.

Growing a Decision Tree

  • Split search.
  • Splitting criteria.
  • Missing values and variable importance.

Preventing Overfitting in Decision Trees

  • Pruning.
  • Subtree methods.
  • Assessing decision trees.

Ensembles of Trees: Bagging, Boosting, and Forest

  • Ensembling.
  • Bagging.
  • Forest models.
  • Tree splitting in forests.
  • Hyperparameter tuning.
  • Model interpretability.

Tree-Based Gradient Boosting Machines

  • Boosting.
  • Gradient boosting.
  • Tree splitting in gradient boosting.
  • Early stopping.
  • Hyperparameter tuning.
  • Model interpretability.

A Practice Case Study

  • Data exploration.
  • Class levels consolidation.
  • Variable selection/dimension reduction.
  • Imputation.
  • Prediction profiling.

Předpokládané znalosti

Tato část není lokalizována

Before attending this course, you should have the following:
  • An understanding of basic statistical concepts. You can gain this knowledge from the SAS Visual Statistics in SAS Viya: Interactive Model Building course.
  • Familiarity with SAS Visual Data Mining and Machine Learning software. You can gain this knowledge from the Machine Learning Using SAS Viya course.
  • Potřebujete poradit nebo upravit kurz na míru?

    onas

    produktová podpora

    Platební brána ComGate Logo MasterCard Logo Visa