Hola,
Me gustaría comenzar mi respuesta hablando primero sobre el aprendizaje automático. En términos simples, Machine Learning tiene las siguientes fases:
1) Edificio modelo
- ¿Cuál es un buen conjunto de datos de Kaggle para practicar el ajuste de modelos de regresión logística o modelos jerárquicos?
- ¿Cómo funcionan las redes neuronales convolucionales?
- ¿Es bueno hacer un muestreo estratificado para la regresión cuando se le da con grandes conjuntos de datos?
- ¿Dónde se puede usar la visión computacional en el aprendizaje profundo?
- ¿Cómo se compara Scikit Learn con R (en términos de velocidad, conveniencia y potencia)?
2) Fase de predicción.
La primera fase que es la construcción de modelos es principalmente un proceso por lotes. Sin embargo, las predicciones se hacen en tiempo real.
Otro punto importante a tener en cuenta es que la construcción de modelos es un proceso pesado de cálculo. Las predicciones en la mano suceden rápidamente.
Entonces, si está hablando del rendimiento de un algoritmo en Python, R o SAS, estas herramientas realmente no afectan el tiempo de respuesta del usuario. Entonces, los calificaría por igual.
Sin embargo, hay varios otros factores que afectan el resultado final, a saber:
· Tamaño del conjunto de datos.
· Tipo de problema de aprendizaje automático
· Visualizaciones
· ¿Cuál es la latencia?
· ¿Qué es la plataforma?
Primero necesita encontrar respuestas a estas preguntas. Entonces creo que estaría en mejores condiciones para decidir qué idioma se adapta mejor a sus necesidades. Espero que esto responda tu pregunta.
En caso de que si desea saber más sobre SAS, consulte este blog que lo ayudará a comenzar con SAS y sus características: SAS Tutorial | Edureka
Si le gusta SAS y desea comenzar a programar en SAS, puede consultar este blog mío que lo ayudará a comprender los fundamentos de programación de SAS: Programación SAS | Edureka
