www.sas.com Open in urlscan Pro
104.111.217.97  Public Scan

Form analysis
1 forms found in the DOM

GET https://www.sas.com/pt_br/search.html

<form role="search" method="get" action="https://www.sas.com/pt_br/search.html">
  <label for="searchFieldComponent">Buscar</label>
  <input type="text" id="searchFieldComponent" name="q" value="" placeholder="Buscar">
  <select name="fq" multiple="" style="display: none;">
  </select>
  <input class="searchButton" type="submit" value="Buscar">
</form>

Text Content

Skip to main content


Menu
 * Soluções
   * Por Indústria
     * Agriculture
     * Banca
     * Education
     * Governo
     * Cuidados de Saúde
     * Seguros
     * Ciências da Vida
     * Manufatura
     * Varejo
     * Pequenas e Médias Empresas
     * Utilitários
     * Todas as indústrias
   * Por Tecnologia e Tópico
     * Análise avançada
     * AI & Machine Learning
     * Computação em nuvem
     * Marketing
     * Gestão de Dados
     * Fraude e Inteligência da Segurança
     * Internet das Coisas (IoT)
     * Integração Aberta
     * Operacionalização do Analytics
     * Gerenciamento de risco
     * Todas as Tecnologias e Tópicos
   * Por Produto
     * SAS Customer Intelligence 360
     * Detecção e Investigação SAS
     * Gerente de Modelo SAS
     * SAS Visual Analytics
     * SAS Visual Data Mining & Machine Learning
     * SAS Visual Forecasting
     * Todos os produtos
     * Avaliações de Software de Grátis
   * Por função
     * Desenvolvedores
     * Procura de emprego
     * Marketers
     * Usuários Novatos
     * Parceiros
     * Pequenas e Médias Empresas
     * Estudantes e Professores
     * Thought Leaders
 * Experimentar / Comprar
   * Avaliações de Software Grátis
     * COVID-19 Data Discovery Environment
     * Todos os testes
   * Comprar
     * Solicite uma Demo
     * Solicitar preços de software
     * Entre em contato com um representante de vendas SAS
 * Por que o SAS?
   * Pontos de vista dos analistas
   * Prêmios Empresariais
   * Liderança Empresarial
   * Histórias de Sucesso de Clientes
   * Thought Leadership
   * Design de R&D inovador
   * Cobertura de Notícias & Destaques
   * Ecossistema de parceiros
   * Serviços de suporte de classe mundial
 * Learn
   * Training
     * Training Overview
     * Train My Team
     * Free Training
     * Learning Paths
     * Learning Formats
     * e-Learning
     * All Courses
     * Academy for Data Science
     * Learning Subscription
     * My Training
   * Certification
     * Choose a Credential
     * Practice Exams
     * Exam Preparation
     * Certification Discounts
     * My Certification Manager
   * Books
     * Certification Prep Guides
     * Book Discounts
     * Upcoming Titles
     * All Books
   * Webinars
     * Ask the Expert
     * Certification Webinars
     * All Webinars
 * Documentação
   * Por Produto
     * Base SAS
     * SAS Enterprise Guide
     * SAS Enterprise Miner
     * SAS/STAT
     * SAS Studio
     * SAS Visual Analytics
     * Todos os produtos
   * Programação
     * SAS Viya
     * SAS 9.4 & SAS Viya 3.5
     * SAS 9.3 & Earlier
   * Administração
     * SAS Viya
     * SAS 9.4 e anteriores
   * Instalação e Configuração
     * Centro de Instalação
     * Requisitos do sistema
     * Referência de Software de Terceiros
   * Documentos Técnicos
   * Toda a documentação
 * Suporte
   * Página inicial de suporte
   * Base de Conhecimento
     * Notas de Instalação
     * Notas de Problema
     * Notas de utilização
     * Pesquisar todas as notas
     * Amostras de etapas de dados
     * Amostras Gráficas
     * Pesquisar todas as amostras
     * Segurança do Produto
     * Toda a Base de Conhecimento
   * Suporte por Produto
     * Base SAS
     * SAS Customer Intelligence 360
     * SAS Enterprise Guide
     * SAS Enterprise Miner
     * SASPy
     * SAS/STAT
     * Estúdio SAS
     * SAS Visual Analytics
     * Todos os produtos
     * Áreas de foco
     * Segurança do Produto
   * Serviços de Suporte
     * Suporte Técnico
     * Gerencie suas trilhas
     * Manutenção
     * Assistência de Licenciamento
     * Serviços de Suporte
     * Políticas de Suporte
   * Downloads
     * SAS Download Manager
     * SAS Universal Viewer
     * Planos de implementação standard
     * Todos os Downloads
   * Hot Fixes
     * SAS Viya
     * SAS 9.4
     * Anúncios Hot Fix
     * Ferramenta Hot Fix
     * Todos os Hot Fixes
   * Kit de Iniciação SAS
 * Comunidade
   * Novos usuários SAS
   * Programação SAS
   * Administração e Implantação
   * Gestão de Dados
   * Machine learning
   * Visualização de Dados
   * Procedimentos Estatísticos
   * Desenvolvedores
   * Todas as Comunidades
   * Grupos de usuários
 * Acadêmicos
   * Programas Acadêmicos
   * Educadores
   * Estudante
   * Software Acadêmico Grátis
   * Descontos Acadêmicos
 * Parceiros
   * Sobre o nosso programa de parceria
   * Encontre um parceiro
   * Iniciar sessão no PartnerNet
 * Eventos
   * SAS Fórum Global
   * Webinars
   * Todos os eventos
 * Sobre
   * Nossa Empresa
     * Visão geral
     * Visão e Missão
     * Nossos Valores
     * O que defendemos
     * Liderança Empresarial
     * Informações sobre a empresa
     * Cobertura da mídia
     * Relatório Anual
     * Boletins informativos
     * Prêmios Empresariais
     * Pontos de vista dos analistas
     * Speaker Bureau
   * Carreiras
     * Visão geral
     * Nossa Cultura
     * Os nossos contadores de histórias
     * Estágios
     * Programas de Início Carreira
     * Pesquisar Empregos
   * Sala de Notícias
   * Blogs
   * Informações sobre o escritório
   * Fale Conosco

sas.com
 * sas.com
 * support.sas.com
 * blogs.sas.com
 * communities.sas.com
 * developer.sas.com

Buscar
Close
 *  

Close


Select your region


Visit the Cary, NC, USA corporate headquarters site


Americas


Americas

Europe

Europe

Middle East & Africa


Middle East & Africa

Asia Pacific





View our worldwide contacts list for help finding your region

Americas


 * Argentina
 * Brasil
 * Canada (English)

 * Canada (Français)
 * Chile
 * Colombia

 * México
 * Peru
 * United States



Europe


 * Albania
 * Belgium
 * Bosnia & Herz.
 * Česká Republika
 * Croatia
 * Danmark
 * Deutschland
 * Ελλάδα
 * España

 * France
 * Iceland
 * Ireland
 * Italia
 * Luxembourg
 * Magyarország
 * Montenegro
 * Nederland
 * Norge

 * North Macedonia
 * Österreich
 * Polska
 * Portugal
 * România
 * Россия / СНГ
 * Schweiz (Deutsch)
 * Serbia
 * Slovenia

 * Slovensko
 * Suisse (Français)
 * Suomi
 * Sverige
 * Türkiye
 * Україна
 * United Kingdom



Middle East & Africa


 * Maroc

 * Middle East

 * Saudi Arabia

 * South Africa



Asia Pacific


 * Australia
 * 中国 (简体中文)
 * Hong Kong
 * India
 * Indonesia (Bahasa)

 * Indonesia (English)
 * 日本
 * 대한민국
 * Malaysia
 * New Zealand

 * Philippines
 * Singapore
 * 台灣 (繁體中文)
 * Thailand (English)
 * ประเทศไทย (ภาษาไทย)



 * Sign In

Hi !

 * Sign Out

Close

Sign In

Create Profile

My SAS

Get access to My SAS, trials, communities and more.

Close

Sign Out

Edit Profile

My SAS

Get access to My SAS, trials, communities and more.

 * Worldwide Sites
 * Contact Us
 * SAS Sites
 * Search

Close


SAS Sites

sas.com
Support
Blogs

Communities
Developer
Curiosity

Videos
Merchandise
Brand

PartnerNet



 1. SAS Insights
 2. Insights sobre Análise de Dados

 * Importância
 * Atualidade
 * Quem está usando?
 * Como funciona?

Melhores práticas



MACHINE LEARNING


O QUE É E QUAL SUA IMPORTÂNCIA?

O aprendizado de máquina (em inglês, machine learning) é um método de análise de
dados que automatiza a construção de modelos analíticos. É um ramo da
inteligência artificial baseado na ideia de que sistemas podem aprender com
dados, identificar padrões e tomar decisões com o mínimo de intervenção humana.

 * Importância
 *      
 * Atualidade
   
 *      
 * Quem está usando?
 *      
 * Como funciona?
   


EVOLUÇÃO DO MACHINE LEARNING

Graças às novas tecnologias computacionais, o machine learning de hoje não é
como o machine learning do passado. Ele nasceu do reconhecimento de padrões e da
teoria de que computadores podem aprender sem serem programados para realizar
tarefas específicas; pesquisadores interessados em inteligência artificial
queriam saber se as máquinas poderiam aprender com dados. O aspecto iterativo do
aprendizado de máquina é importante porque, quando os modelos são expostos a
novos dados, eles são capazes de se adaptar independentemente. Eles aprendem com
computações anteriores para produzir decisões e resultados confiáveis, passíveis
de repetição. Isso não é uma ciência nova – mas uma ciência que está ganhando um
novo impulso.


Embora diversos algoritmos de machine learning existam há muito tempo, a
capacidade de aplicar cálculos matemáticos complexos ao big data automaticamente
– de novo e de novo, mais rápido e mais rápido – é um desenvolvimento recente.
Eis alguns exemplos bem conhecidos de aplicações de machine learning, dos quais
você já deve ter ouvido falar:

 * Os carros autônomos super esperados do Google? A essência do machine
   learning;
 * Ofertas recomendadas como as da Amazon e da Netflix? Aplicações de machine
   learning para o dia-a-dia;
 * Saber o que seus clientes estão falando de você no Twitter? Machine learning
   combinado com criação de regras linguísticas;
 * Detecção de fraudes? Um dos usos mais óbvios e importantes de machine
   learning no mundo de hoje.
   



 


Video Player is loading.
Play Video
Play

Mute

Current Time 0:00
/
Duration 0:00
Loaded: 0%

0:00
Stream Type LIVE
Seek to live, currently behind liveLIVE
Remaining Time -0:00
 
Partilhar
1x
Playback Rate
 * 2x
 * 1.75x
 * 1.5x
 * 1.25x
 * 1x, selected
 * 0.75x
 * 0.5x

Chapters
 * Chapters

Descriptions
 * descriptions off, selected

Subtitles
 * subtitles settings, opens subtitles settings dialog
 * subtitles off, selected
 * English Captions
 * Korean Captions

Audio Track

Picture-in-PictureFullscreen

This is a modal window.



Beginning of dialog window. Escape will cancel and close the window.

TextColorWhiteBlackRedGreenBlueYellowMagentaCyanTransparencyOpaqueSemi-TransparentBackgroundColorBlackWhiteRedGreenBlueYellowMagentaCyanTransparencyOpaqueSemi-TransparentTransparentWindowColorBlackWhiteRedGreenBlueYellowMagentaCyanTransparencyTransparentSemi-TransparentOpaque
Font Size50%75%100%125%150%175%200%300%400%Text Edge
StyleNoneRaisedDepressedUniformDropshadowFont FamilyProportional
Sans-SerifMonospace Sans-SerifProportional SerifMonospace SerifCasualScriptSmall
Caps
Reset restore all settings to the default valuesDone
Close Modal Dialog

End of dialog window.

Close Modal Dialog

This is a modal window. This modal can be closed by pressing the Escape key or
activating the close button.


Close Modal Dialog

This is a modal window. This modal can be closed by pressing the Escape key or
activating the close button.




MACHINE LEARNING E INTELIGÊNCIA ARTIFICIAL


Enquanto a inteligência artificial (IA) pode ser definida, de modo amplo, como a
ciência capaz de mimetizar as habilidades humanas, o machine learning é uma
vertente específica da IA que treina máquinas para aprender com dados. Assista a
este vídeo para entender melhor a relação entre a inteligência artificial e o
aprendizado de máquina. Você verá como essas duas tecnologias funcionam, com
exemplos úteis e alguns apartes divertidos.





QUAL A IMPORTÂNCIA DO MACHINE LEARNING?

O interesse renovado no aprendizado de máquina se deve aos mesmos fatores que
tornaram a mineração de dados e a análise Bayesiana mais populares do que nunca:
coisas como os crescentes volume e variedade de dados disponíveis, o
processamento computacional mais barato e poderoso, o armazenamento de dados
acessível etc.

Tudo isso significa que é possível produzir, rápida e automaticamente, modelos
capazes de analisar dados maiores e mais complexos, e entregar resultados mais
rápidos e precisos – mesmo em grande escala. E ao construir modelos precisos,
uma organização tem mais chances de identificar oportunidades lucrativas – ou de
evitar riscos desconhecidos.


 



O QUE É PRECISO PARA CRIAR BONS SISTEMAS DE MACHINE LEARNING?

 * Capacidade de data preparation;
 * Algoritmos – básicos e avançados;
 * Processos automatizados e iterativos;
 * Escalabilidade;
 * Modelagem conjunta.




VOCÊ SABIA?

 * No aprendizado de máquina, um alvo é chamado de rótulo;
 * Em estatística, um alvo é chamado de variável dependente;
 * Uma variável em estatística é chamada de recurso em machine learning;
 * Uma transformação em estatística é chamada de criação de recurso em machine
   learning.




MACHINE LEARNING NO MUNDO DE HOJE

AO USAR ALGORITMOS PARA CONSTRUIR MODELOS QUE REVELAM CONEXÕES, AS ORGANIZAÇÕES
PODEM TOMAR DECISÕES MELHORES SEM INTERVENÇÃO HUMANA. LEIA MAIS SOBRE ESSA
TECNOLOGIA QUE ESTÁ TRANSFORMANDO O MUNDO EM QUE VIVEMOS.




POR QUE SE FALA TANTO EM MACHINE LEARNING?


Como implementar machine learning na sua empresa? Para quem é essa tecnologia?
Como ela funciona? Como ela pode atingir resultados? Leia neste relatório da
Harvard Business Review Insights.


Baixe o relatório


MITOS E VERDADES SOBRE MACHINE LEARNING


É preciso tomar cuidado com a qualidade e com a forma como a análise de dados
tem sido realizada. Leia este artigo para conhecer 10 desafios, mitos e verdades
sobre machine learning.

Saiba mais


A EVOLUÇÃO DA INTELIGÊNCIA ANALÍTICA


Avanços recentes têm aumentado o interesse na adoção do machine learning como
parte de uma estratégia analítica maior, mas incorporá-lo na infraestrutura de
dados de produção não é fácil. Aprenda a superar os obstáculos.

 Baixe o relatório


APPLYING MACHINE LEARNING TO IOT


Machine learning can be used to achieve higher levels of efficiency,
particularly when applied to the Internet of Things. This article explores the
topic.



Read the IoT article






ADVANCED ANALYTICS DO SAS



MACHINE LEARNING NÃO É UMA TECNOLOGIA ESPECÍFICA EM SI; ELE ENVOLVE SOFTWARES
COMO DE MINERAÇÃO DE DADOS E ADVANCED ANALYTICS PARA PROCESSAR GRANDES VOLUMES
DE DADOS E DESCOBRIR INSIGHTS. AS SOLUÇÕES DO SAS® SÃO CRIADAS COM ALGORITMOS
INOVADORES QUE TORNAM ISSO POSSÍVEL.


LEIA MAIS SOBRE AS SOLUÇÕES DE ANALYTICS DO SAS



QUEM ESTÁ USANDO?

A MAIORIA DAS INDÚSTRIAS QUE TRABALHAM COM GRANDES QUANTIDADES DE DADOS TEM
RECONHECIDO O VALOR DA TECNOLOGIA DE APRENDIZADO DE MÁQUINA. AO EXTRAIR INSIGHTS
DESSES DADOS – FREQUENTEMENTE EM TEMPO REAL – AS ORGANIZAÇÕES SÃO CAPAZES DE
TRABALHAR COM MAIS EFICIÊNCIA OU DE GANHAR UMA VANTAGEM COMPETITIVA SOBRE SEUS
CONCORRENTES.


SERVIÇOS FINANCEIROS


Bancos e outros negócios na indústria financeira usam tecnologias de machine
learning para dois propósitos principais: identificar insights importantes nos
dados e prevenir fraudes. Esses inisghts podem identificar oportunidades de
investimento, ou ajudar investidores a saber quando fazer o trade. A mineração
de dados também pode identificar clientes com alto perfil de risco ou usar
cyber-vigilância para encontrar sinais de fraudes.



GOVERNO


Agências governamentais, como segurança pública e utilities, têm uma necessidade
particular para machine learning, uma vez que elas possuem múltiplas fontes de
dados que podem ser mineradas para deles obterem insights. Analisar dados de
sensores, por exemplo, identifica maneiras de aumentar a eficiência e economizar
dinheiro. O aprendizado de máquina também pode ajudar na detecção de fraudes e
na minimização de roubos de identidade.





OPERADORAS DE SAÚDE


Machine learning é uma tendência crescente na assistência médica graças ao
advento dos dispositivos wearables e sensores que permitem aos profissionais de
saúde acessar os dados de pacientes em tempo real. A tecnologia também pode
ajudar especialistas médicos a analisar dados para identificar tendências ou
alertas, levando ao aperfeiçoamento de diagnósticos e tratamentos. 



MARKETING E VENDAS


Websites que recomendam produtos e serviços com base em suas compras anteriores
estão usando machine learning para analisar seu histórico de compras – e
promover outros itens pelos quais você pode se interessar. Essa capacidade de
capturar dados, analisá-los e utilizá-los para personalizar a experiência de
compra (ou implementar uma campanha de marketing) é o futuro do varejo.





PETRÓLEO & GÁS


Descobrir novas fontes de energia. Analisar minerais no solo. Prever falhas em
sensores de refinarias. Acelerar a distribuição de petróleo para torná-la mais
eficiente e econômica. O número de aplicações de machine learning nesta
indústria é vasto – e continua crescendo.



TRANSPORTES


Analisar dados para identificar padrões e tendências é essencial para a
indústria de transportes, a qual depende da elaboração de rotas mais eficientes
e da previsão de problemas potenciais para aumentar a rentabilidade. Os aspectos
de análise e modelagem de dados de machine learning são ferramentas importantes
para transportadoras, transporte público e outras organizações do setor.





VEJA COMO DIFERENTES INDÚSTRIAS ESTÃO USANDO ESTA TECNOLOGIA

Selecione a indústria
 * Automotiva
 * Bancária
 * Bens de Consumo
 * Defesa & Segurança
 * Educação
 * Ensino Superior
 * Esportes
 * Financeira
 * Governo
 * Hotelaria
 * Life Sciences
 * Manufatura
 * Mídia
 * Operadoras de Saúde
 * Pequenas e Médias Empresas
 * Petróleo & Gás
 * Seguros
 * Seguros de Saúde
 * Tecnologia
 * Telecomunicações
 * Turismo & Transportes
 * Utilities
 * Varejo




QUAIS SÃO OS MÉTODOS MAIS POPULARES DE MACHINE LEARNING?

Dois dos métodos mais adotados de machine learning são o aprendizado
supervisionado e o aprendizado não-supervisionado – mas eles não são os únicos.
Eis os tipos mais populares:


Algoritmos de aprendizado supervisionado são treinados por meio de exemplos
rotulados, como uma entrada na qual a saída desejada é conhecida. Por exemplo,
um equipamento poderia ter pontos de dados rotulados como “F” (falha) ou “E”
(executa). O algoritmo de aprendizado recebe um conjunto de entradas junto com
as saídas corretas correspondentes, e aprende ao comparar a saída real com as
saídas corretas para encontrar erros. Ele, então, modifica o modelo de acordo.
Através de métodos como classificação, regressão e gradient boosting, o
aprendizado supervisionado utiliza padrões para prever os valores de rótulos em
dados não-rotulados adicionais. O aprendizado supervisionado é comumente
empregado em aplicações nas quais dados históricos preveem eventos futuros
prováveis. Por exemplo, ele pode antecipar quando transações via cartão de
crédito são passíveis de fraude ou qual segurado tende a reivindicar sua
apólice.

O aprendizado não-supervisionado é utilizado contra dados que não possuem
rótulos históricos. A "resposta certa" não é informada ao sistema. O algoritmo
deve descobrir o que está sendo mostrado. O objetivo é explorar os dados e
encontrar alguma estrutura dentro deles. O aprendizado não-supervisionado
funciona bem com dados transacionais. Por exemplo, ele pode identificar
segmentos de clientes com atributos similares que podem, então, ser tratados de
modo igualmente similar em campanhas de marketing; ou ele pode encontrar os
principais atributos que separam segmentos distintos de clientes. Técnicas
populares incluem mapas auto-organizáveis, mapeamento por proximidade,
agrupamento k-means e decomposição em valores singulares. Esses algoritmos
também são utilizados para segmentar tópicos de texto, recomendar itens e
identificar pontos discrepantes nos dados.

Aprendizado semi-supervisionado é utilizado para as mesmas aplicações que o
aprendizado supervisionado. Mas este aqui manipula tanto dados rotulados quanto
não-rotulados para treinamento – normalmente uma pequena quantidade de dados
rotulados com uma grande quantidade de dados não-rotulados (porque dados sem
rótulos são mais baratos e demandam menos esforços para serem adquiridos). Esse
tipo de aprendizado pode ser empregado com métodos como classificação, regressão
e previsão. O aprendizado semi-supervisionado é útil quando o custo associado à
rotulação é muito alto para possibilitar um processo de treinamento totalmente
rotulado. Exemplos básicos incluem a identificação do rosto de uma pessoa em uma
webcam.

Aprendizado por reforço é normalmente utilizado em robótica, jogos e navegação.
Com ele, o algoritmo descobre através de testes do tipo 'tentativa e erro' quais
ações rendem as maiores recompensas. Este tipo de aprendizado possui três
componentes principais: o agente (o aprendiz ou tomador de decisão), o ambiente
(tudo com que o agente interage) e ações (o que o agente pode fazer). O objetivo
é que o agente escolha ações que maximizem a recompensa esperada em um período
de tempo determinado. O agente atingirá o objetivo muito mais rápido se seguir
uma boa política. Então o foco do aprendizado por reforço é descobrir a melhor
política.




> Seres humanos podem, normalmente, criar um ou dois modelos bons por semana;
> machine learning pode criar milhares de modelos por semana.

Thomas H. Davenport, especialista em analytics
excerto do The Wall Street Journal




QUAIS AS DIFERENÇAS ENTRE MINERAÇÃO DE DADOS, MACHINE LEARNING E DEEP LEARNING?

Embora todos esses métodos tenham o mesmo objetivo – extrair insights, padrões e
relações que podem ser usado nas tomadas de decisão – eles possuem abordagens e
capacidades diferentes.





MINERAÇÃO DE DADOS


A mineração de dados pode ser considerada um superconjunto de muitos métodos
diferentes para extrair insights dos dados. Ela pode envolver métodos
estatísticos tradicionais e machine learning. A mineração de dados aplica
métodos de áreas diversas para identificar padrões anteriormente desconhecidos
nos dados. Isso pode incluir algoritmos estatísticos, machine learning, análise
de texto, análises de séries temporais e outras áreas de analytics. A mineração
de dados também inclui o estudo e a prática de armazenamento e manipulação de
dados.

 




MACHINE LEARNING


A principal diferença do machine learning é que, igualmente modelos
estatísticos, o objetivo é entender a estrutura dos dados – encaixar
distribuições teóricas em dados bem entendidos. Assim, há uma teoria por trás de
modelos estatísticos que é comprovada matematicamente, mas isso requer que os
dados também atendam a certos pressupostos. O aprendizado de máquina foi
desenvolvido a partir da capacidade de usar computadores para examinar a
estrutura dos dados, mesmo se não soubermos como essa estrutura se parece. O
teste para um modelo de machine learning é um erro de validação em dados novos e
não um teste teórico que prova uma hipótese nula. Como machine learning
geralmente usa uma abordagem iterativa para aprender com os dados, o aprendizado
pode ser facilmente automatizado. As etapas são executadas através dos dados até
que um padrão robusto seja encontrado.





DEEP LEARNING


Deep learning combina avanços no poder computacional e tipos especiais de redes
neurais para aprender padrões complicados em grandes quantidades de dados.
Técnicas de deep learning são o que há de mais avançado hoje para identificar
objetos em imagens e palavras em sons. Os pesquisadores estão tentando aplicar
esses sucessos no reconhecimento de padrões em tarefas mais complexas, como na
tradução automática de idiomas, diagnósticos médicos e diversos outros problemas
sociais e corporativos.



COMO FUNCIONA?


PARA OBTER MAIS VALOR DO MACHINE LEARNING, VOCÊ PRECISA SABER COMO PAREAR OS
MELHORES ALGORITMOS COM AS FERRAMENTAS E PROCESSOS CORRETOS. O SAS COMBINA UMA
HERANÇA RICA E SOFISTICADA EM ESTATÍSTICA E MINERAÇÃO DE DADOS COM NOVOS AVANÇOS
EM ARQUITETURA PARA GARANTIR QUE SEUS MODELOS RODEM O MAIS RÁPIDO POSSÍVEL –
MESMO EM GRANDES AMBIENTES CORPORATIVOS.



Algoritmos: as interfaces de usuário gráficas do SAS ajudam você a construir
modelos e implementar um processo iterativo de machine learning. Você não
precisa ter pós-doutorado em estatística para isso. Nossa abrangente seleção de
algoritmos de machine learning podem ajudar você a rapidamente obter valor de
seu big data e estão incluídos em muitos produtos SAS. Os algoritmos de machine
learning do SAS incluem:


REDES NEURAIS


 

ÁRVORES DE DECISÃO


 

FLORESTAS ALEATÓRIAS


 

DESCOBERTAS DE SEQUÊNCIAS E ASSOCIAÇÕES


 

BOOSTING E BAGGING DE GRADIENTES


 

MÁQUINAS DE VETOR DE SUPORTE

 

MAPEAMENTO POR PROXIMIDADE

 

AGRUPAMENTO K-MEANS

 

MAPAS AUTO-ORGANIZÁVEIS

 

OTIMIZAÇÃO DE PESQUISAS POR LOCAIS (EX., ALGORITMOS GENÉTICOS)


 

MAXIMIZAÇÃO DE EXPECTATIVAS


 

SPLINES DE REGRESSÃO ADAPTATIVA MULTIVARIADA


 

REDES BAYESIANAS 


 

ESTIMATIVAS DE DENSIDADE KERNEL


 

ANÁLISE DO COMPONENTE PRINCIPAL


 

DECOMPOSIÇÃO EM VALORES SINGULARES


 

MODELOS DE MISTURA GAUSSIANAS


 

CONSTRUÇÃO DE REGRAS DE COBERTURA SEQUENCIAL


 



 

Ferramentas e processos: como você sabe agora, não se resume aos algoritmos. O
segredo para obter o máximo de valor do big data está em parear os melhores
algoritmos e a tarefa a ser realizada com:


GERENCIAMENTO E QUALIDADE DE DADOS ABRANGENTES


 

GUIS PARA CONSTRUÇÃO DE MODELOS E FLUXO DE PROCESSOS


 

EXPLORAÇÃO DE DADOS E VISUALIZAÇÃO DE RESULTADOS DE MODELOS INTERATIVAS


 

COMPARAÇÕES DE DIFERENTES MODELOS DE MACHINE LEARNING PARA IDENTIFICAÇÃO RÁPIDA
DO MELHOR     


 

AVALIAÇÃO AUTOMATIZADA DO MODELO PARA IDENTIFICAR OS MELHORES DESEMPENHOS


 

IMPLEMENTAÇÃO FÁCIL DO MODELO PARA QUE VOCÊ POSSA OBTER RESULTADOS CONFIÁVEIS E
PASSÍVEIS DE REPETIÇÃO RAPIDAMENTE


 

UMA PLATAFORMA INTEGRADA DE PONTA A PONTA PARA A AUTOMAÇÃO DO PROCESSO DE USO DE
DADOS PARA TOMADA DE DECISÃO


 




VOCÊ PRECISA DE AJUDA SOBRE QUAL ALGORITMO DE APRENDIZADO DE MÁQUINA USAR PARA
QUÊ? ESTE BLOG (EM INGLÊS) POR HUI LI, CIENTISTA DE DADOS DO SAS, FORNECE
EXPLICAÇÕES SIMPLES.


LEIA MAIS SOBRE ESTE ASSUNTO


 * Public health infrastructure desperately needs modernizationPublic health
   agencies must flex to longitudinal health crises and acute emergencies – from
   natural disasters like hurricanes to events like a pandemic. To be prepared,
   public health infrastructure must be modernized to support connectivity,
   real-time data exchanges, analytics and visualization.
 * SAS CIO: Why leaders must cultivate curiosity in 2021With the change we’re
   all facing this year, CIOs should be counting on curiosity to play a crucial
   role in how we’re going to meet the challenges that lie ahead. From the
   moment COVID-19 hit, our IT organization has relied on curiosity – that
   strong desire to explore, learn, know - to fuel the urgent changes required.
   And it’s curiosity that will enable us to meet the needs of the future of
   work post-pandemic.
 * Five ways your organization can enhance resilience for years to
   comeInnovation, agility and customer-centricity frequently top the list of
   companies’ strategic objectives, and now the most urgent priority is
   resilience. Given this new urgency, it’s worth taking a close look at the
   underpinnings of resilience and how they could be applied in any industry.
   This article explores how analytics can help boost resilience and includes
   key elements to keep your organization resilient.
 * Resilience in the face of unpredictabilityUnpredictability can “shatter and
   reshape” a society. And in these unpredictable times, it is important to
   remain resilient and be prepared to bounce back. This article explores what
   it truly means to be resilient, how to build it, and how analytics can help
   you act when your resilience is tested.



Curiosity is our code. SAS analytics solutions transform data into intelligence,
inspiring customers around the world to make bold new discoveries that drive
progress.

SAS gives you THE POWER TO KNOW®.

Contact Us


FOLLOW US

 * Facebook
 * Twitter
 * LinkedIn
 * YouTube
 * RSS

 1. Home
 2. SAS Insights
 3. Insights sobre Análise de Dados
 4. Machine learning: o que é e qual sua importância?

 * About SAS Discover our people, passion and forward-thinking technology
 * Accessibility Empower people of all abilities with accessible software
 * Blogs Stay connected to people, products and ideas from SAS
 * Careers Search for meaningful work in an award-winning culture
 * Certification Validate your technology skills and advance your career

 * Communities Find your SAS answers with help from online communities
 * Customer Stories Read about who’s working smarter with SAS
 * Documentation Browse products, system requirements and third-party usage
 * Industries Get industry-specific analytics solutions for every need
 * My SAS Get access to software orders, trials and more

 * Resource Center Explore our extensive library of resources to stay informed
 * Solutions Discover data, AI and analytics solutions for every industry
 * Students & Educators Find out how to get started learning or teaching SAS
 * Support Access documentation, tech support, training and tutorials
 * Training Learn top-rated analytics skills required in today’s market


 * Cookieeinstellungen
 * Privacy Statement
 * Terms of Use
 * © 2022 SAS Institute Inc. All Rights Reserved.

 * Contact Us
 * Share
 * Subscribe

Share this
Share this page with friends or colleagues. 

Email Facebook Twitter LinkedIn



Back to Top