Maschinelles Lernen mit Qlik Predict
Automatisiertes maschinelles Lernen sucht nach Mustern in Ihren Daten und nutzt diese, um Prognosen für zukünftige Daten zu erstellen. Mit Experimenten für maschinelles Lernen in Qlik Cloud Analytics können Sie mit anderen Benutzern zusammenarbeiten und Ihre Vorhersageanalysen in Qlik Sense Apps einbinden. Neben Vorhersagen können Sie auch eingehende Analysen der wichtigsten Features vornehmen, die das vorhergesagte Ergebnis beeinflussen.
Laden Sie Verlaufsdaten aus dem Katalog, starten Sie den automatisierten maschinellen Lernprozess und wählen Sie dann das am besten passende ML-Modell für Ihren Anwendungsfall aus. Stellen Sie die Modelle bereit, um Vorhersagen zum Ergebnis des geschäftlichen Problems zu treffen. Untersuchen Sie die Variablen, die das vorhergesagte Ergebnis beeinflussen, und gewinnen Sie ein eingehendes Verständnis Ihrer Daten.
Alternativ können Entwickler die Funktionen von Qlik Predict mithilfe der Machine Learning API in ihre eigenen Arbeitsabläufe integrieren. Ein Tutorial, das Ihnen den Einstieg erleichtert, finden Sie unter Tutorial „Automatisiertes maschinelles Lernen“.
Qlik Cloud Government unterstützt nicht Qlik Predict.
Erste Schritte mit maschinellem Lernen
Verstehen von maschinellem Lernen
Erfahren Sie mehr über die grundlegenden Konzepte des maschinellen Lernens und den Gründen für seine Verwendung.
Definieren von Fragen für maschinelles Lernen
Erfahren Sie, wie Sie Ihre Frage für maschinelles Lernen definieren und dem strukturierten Framework folgen.
Vorbereiten eines Trainingsdatensatzes
Erfahren Sie, wie Sie Ihren Datensatz für das Training von ML-Modellen vorbereiten.
Arbeiten mit Experimenten
Arbeiten mit ML-Experimenten
Erhalten Sie einen Überblick über den automatischen Prozess für maschinelles Lernen und beginnen Sie mit dem Erstellen von Experimenten.
Arbeiten mit Zeitreihenexperimenten
Erfahren Sie, wie Sie Modelle für zeitspezifische Prognosen trainieren.
Interpretieren der Modellleistung
Erfahren Sie mehr über die Modellmetriken, die für die Bewertung von Vorhersagemodellen verfügbar sind.
Verfeinern von Modellen
Wie können Sie Ihr Vorhersagemodell verbessern? Hier finden Sie weitere Informationen.
Arbeiten mit ML-Bereitstellungen
Bereitstellen von Modellen
Wenn Sie ein Modell erstellt haben, das für Vorhersagen mit neuen Daten bereit ist, stellen Sie es in einer ML-Bereitstellung bereit.
Arbeiten mit ML-Bereitstellungen
Erfahren Sie mehr über das Bereitstellen von Modellen, das Verwalten von ML-Bereitstellungen und das Aktivieren bereitgestellter Modelle für Vorhersagen.
Arbeiten mit Vorhersagen
Arbeiten mit Vorhersagen
Erfahren Sie, wie Sie Ihre ML-Bereitstellung verwenden, um Vorhersagen mithilfe der Benutzeroberfläche oder der API zu erstellen.
Erstellen von Stapelvorhersagen
Verwenden Sie die ML-Bereitstellungsschnittstelle, um Datensätze mit Vorhersagedaten zu generieren.
Generieren von SHAP-Datensätzen während Vorhersagen
Verstehen Sie, wie SHAP-Werte verwendet werden, um die Haupttreiber hinter Ihren Daten bei der Erstellung von Vorhersagen zu verstehen.
Erstellen von Echtzeitvorhersagen
Erfahren Sie, wie Sie die Machine Learning API für die Generierung von Echtzeit-Vorhersagen für eine oder mehrere Datenzeilen aufrufen und verwenden.
Vorhersagen mit dem Analysekonnektor für Qlik Predict
Verwenden Sie den Qlik Predict Analyse-Konnektor, um mit Ihrer Bereitstellung zu kommunizieren und Vorhersagen direkt in Apps und Skripten zu treffen.
Praktische Tutorials und Anleitungen
Tutorial – Generieren und Visualisieren von Vorhersagedaten
In diesem Tutorial erfahren Sie, wie Sie ein Experiment erstellen und trainieren, ein Modell bereitstellen und Vorhersagen generieren und die Vorhersagedaten in einer Qlik Sense App visualisieren.
Tutorial – Umsatzvorhersagen mit multivariaten Zeitreihenprognosen
Dieses Tutorial führt Sie durch den Prozess des Trainierens, Bereitstellens und Vorhersagens mit Modellen, die zeitspezifische Prognosen durchführen können.
Videos zu Qlik Predict
Schauen Sie sich einige unserer Kurzvideos zu den ersten Schritten mit maschinellem Lernen an.