# 관리자로 ML 교육 보고서 다운로드
관리자는 Qlik 프로젝트로 학습된 배포된 기계 학습 모델에 대한 학습 보고서를 다운로드할 수 있습니다.교육 보고서에는 모델을 교육한 프로세스에 대한 포괄적인 세부 정보와, 선택적으로 ML 실험의 다른 모델에 대한 세부 정보가 포함됩니다.교육 보고서는 PDF 형식.
관리자 권한이 없는 사용자도 ML 실험 및 ML 배포에서 교육 보고서를 다운로드할 수 있습니다.자세한 내용은 다음을 참조하십시오. [ML 교육 보고서 다운로드](https://help.qlik.com/ko-KR/cloud-services/Subsystems/Hub/Content/Sense_Hub/AutoML/training-report.htm).
ML 교육 보고서
ML 교육 보고서
ML 교육 보고서 
## 사용 사례
모델 교육 보고서를 사용하면 다음을 수행할 수 있습니다.
* 예를 들어, 감사 목적 등을 위해 모델을 교육하는 프로세스를 더 자세히 살펴보십시오.
* Qlik Cloud 외부의 사용자와 모델 교육에 대한 세부 정보를 쉽게 공유합니다.
## 교육 보고서 생성
### 관리 활동 센터에서.
다음과 같이 하십시오.
1. 관리에서 Qlik 프로젝트로 이동합니다.
2. 배포된 모델 탭을 엽니다.
3. 표에서 모델 옆에 있는 the 더 많은 옵션을 표시하는 세 개의 점 icon을 클릭합니다.
4. 교육 보고서 다운로드를 선택합니다.
5. 대화 상자에서 선택적으로 실험에 참여한 모든 모델에 대한 정보 포함을 선택합니다.
이 설정을 활성화하면 실험에서 교육된 모든 모델에 대한 정보가 포함된 확장된 보고서가 생성됩니다.
6. 필요한 경우 미리 보기를 클릭하여 다운로드하지 않고도 보고서를 볼 수 있습니다.브라우저에 따라서는 이 작업을 두 번 이상 시도해야 할 수도 있습니다.
7. 다운로드를 클릭합니다.보고서가 생성되어 로컬 다운로드 폴더에 저장됩니다.
### ML 실험에서
다음과 같이 하십시오.
1. ML 실험을 엽니다.
2. 모델 탭으로 이동합니다.
3. 모델을 선택합니다.
4. 모델 인사이트 섹션 위에서 학습 보고서 드롭다운을 클릭합니다.
5. 다음 중 하나를 선택합니다.
* PDF로 보기 > 이 모델만: 실험에서 학습된 모든 모델에 대한 정보가 포함된 확장된 보고서를 생성합니다.
* PDF로 보기 > 모든 모델: 실험에서 학습된 모든 모델에 대한 정보가 포함된 확장 보고서를 생성합니다.
6. 보고서가 새 탭에서 열립니다.이제 로컬 머신으로 다운로드할 수 있습니다.
모델 지표의 모델에 있는 the 점 3개 메뉴 icon 메뉴에서 학습 보고서를 생성할 수도 있습니다.
### ML 배포에서
다음과 같이 하십시오.
1. ML 배포를 엽니다.
2. 배포 가능한 모델 탭으로 이동합니다.
3. 배포의 모든 모델에서 모델 옆에 있는 the 점 3개 메뉴 icon를 클릭합니다.
4. 교육 보고서 다운로드를 선택합니다.
5. 대화 상자에서 선택적으로 실험에 참여한 모든 모델에 대한 정보 포함을 선택합니다.
이 설정을 활성화하면 실험에서 교육된 모든 모델에 대한 정보가 포함된 확장된 보고서가 생성됩니다. [전체 버전 및 집중적인 버전](https://help.qlik.com/ko-KR/cloud-services/Subsystems/Hub/Content/Sense_Hub/Admin/mc-training-report.htm#FullVsFocused)을 참조하십시오.
6. 필요한 경우 미리 보기를 클릭하여 다운로드하지 않고도 보고서를 볼 수 있습니다. 브라우저에 따라서는 이 작업을 두 번 이상 시도해야 할 수도 있습니다.
7. 다운로드를 클릭합니다. 보고서가 생성되어 로컬 다운로드 폴더에 저장됩니다.
## 교육 보고서에 포함되는 내용
교육 보고서에는 다음 정보가 자세히 설명되어 있습니다. 일부 세부 정보는 교육 보고서 전체 버전을 다운로드해야만 볼 수 있습니다. 자세한 내용은 [전체 버전 및 집중적인 버전](https://help.qlik.com/ko-KR/cloud-services/Subsystems/Hub/Content/Sense_Hub/Admin/mc-training-report.htm#FullVsFocused)을 참조하십시오.
* 실험을 만든 사용자
* 실험과 모델이 교육된 시기
* 교육에 사용된 리소스의 위치 및 이름
* 실험에 적용된 버전 및 모델 수
* 모델을 교육하는 데 사용되는 알고리즘
* 사용된 교육 데이터 집합에 대한 세부 정보(예: 포함된 데이터 양)
* 교육 전과 교육 중에 교육 데이터 처리
* 교육 데이터와 홀드아웃 데이터 모두에 대한 모델 메트릭
* 하이퍼 매개 변수 데이터
* 편향 감지 결과
### 전체 버전 및 집중적인 버전
교육 보고서를 다운로드할 때 사용자는 선택적으로 실험에 참여한 모든 모델에 대한 정보 포함이라는 설정을 켤 수 있습니다. 이 설정은 보고서의 전체 버전이나 집중적인 버전을 생성할지 여부를 제어합니다.
실험에 참여한 모든 모델에 대한 정보 포함 설정을 켜면 보고서의 전체 버전이 생성됩니다. 이 보고서에는 실험에서 교육된 다른 모델에 대한 추가 정보가 포함되어 있습니다.
반면, 집중적인 보고서에는 선택한 모델에 대한 정보만 포함됩니다. 실험에 사용된 다른 모델에 대한 정보는 포함되지 않았습니다.
## 교육 보고서의 용어 해석
교육 보고서를 분석할 때는 참조된 기술 용어를 이해하고 있다고 가정합니다. 대부분의 용어는 [Qlik 프로젝트 도움말 설명서](https://help.qlik.com/ko-KR/cloud-services/Subsystems/Hub/Content/Sense_Hub/AutoML/home-automl.htm)에 설명되어 있습니다.
다음 표에서는 보고서 콘텐츠에 대한 정의와 유용한 도움말 항목을 제공합니다.
교육 보고서의 용어 이해
| 용어 | 의미 | 연관된 콘텐츠 |
| --- | --- | --- |
| 배치 | 실험에서 얼마나 많은 모델 배치가 교육되었는지를 나타냅니다. 지능형 모델 최적화를 사용하면 모델은 반복적 배치로 교육되어 교육 성능과 결과가 향상됩니다.
이와 대조적으로 지능형 모델 최적화(즉, 수동 최적화)를 사용하지 않는 실험 버전은 단일 배치로 모델을 교육합니다. | - |
| EDA | 탐색 데이터 분석을 참조하십시오. 이는 모델 교육이 시작되기 전에 교육 데이터에 대해 수행되는 자동 처리 집합을 지칭하는 용어입니다. | [실험 설정](https://help.qlik.com/ko-KR/cloud-services/Subsystems/Hub/Content/Sense_Hub/AutoML/preprocessing-steps.htm#ExperimentSetup) |
| 인코딩, impact encoded, one-hot encoding | 모델 교육에서 기능 데이터를 더 유용하게 만들기 위해 적용되는 처리를 참조하십시오. | [범주 인코딩](https://help.qlik.com/ko-KR/cloud-services/Subsystems/Hub/Content/Sense_Hub/AutoML/categorical-encoding.htm) |
| 기능 엔지니어링 | 새로운 기능을 만들어내는 수많은 프로세스를 참조하십시오. 이는 완전히 새로운 엔터티로 노출되는 새로운 기능일 수도 있고, 인코딩 및 무료 문자 처리를 통해 만들어지는 기능일 수도 있습니다. | [새 기능 열 만들기](https://help.qlik.com/ko-KR/cloud-services/Subsystems/Hub/Content/Sense_Hub/AutoML/feature-engineering.htm)
[자동 기능 엔지니어링](https://help.qlik.com/ko-KR/cloud-services/Subsystems/Hub/Content/Sense_Hub/AutoML/automatic-feature-engineering.htm)
[범주 인코딩](https://help.qlik.com/ko-KR/cloud-services/Subsystems/Hub/Content/Sense_Hub/AutoML/categorical-encoding.htm) |
| 5겹 교차 유효성 검사 | 각 교육 반복 후 모델에 대해 수행되는 교차 유효성 검사를 참조하십시오. | [홀드아웃 데이터 및 교차 유효성 검사](https://help.qlik.com/ko-KR/cloud-services/Subsystems/Hub/Content/Sense_Hub/AutoML/holdout-crossvalidation.htm) |
| 최적화 | 모델 교육에 지능형 최적화를 사용했는지, 수동 최적화를 사용했는지를 나타냅니다. | [모델 최적화 작업](https://help.qlik.com/ko-KR/cloud-services/Subsystems/Hub/Content/Sense_Hub/AutoML/optimize-models.htm) |
| 샘플링 비율 | 모델을 교육하는 데 사용된 교육 데이터 집합의 양을 나타냅니다.
지능형 모델 최적화를 사용할 때, 특히 매우 큰 데이터 집합의 경우, 때때로 모델이 원래 데이터 집합의 100% 미만으로 교육될 수 있습니다.
이와 대조적으로 지능형 모델 최적화를 사용하지 않는 실험 버전(즉, 수동 최적화)은 항상 교육 데이터 집합의 100%를 사용합니다. | [학습 데이터 샘플링](https://help.qlik.com/ko-KR/cloud-services/Subsystems/Hub/Content/Sense_Hub/AutoML/intelligent-model-optimization.htm#Sampling) |
| 분할 | 교육 데이터 집합을 교육 데이터와 홀드아웃 데이터로의 자동 분할을 참조하십시오. 홀드아웃은 모델 교육에는 사용되지 않고 대신 모델 성능 테스트에 사용됩니다. | [홀드아웃 데이터 및 교차 유효성 검사](https://help.qlik.com/ko-KR/cloud-services/Subsystems/Hub/Content/Sense_Hub/AutoML/holdout-crossvalidation.htm) |
| U=사용자 재정의 | 자동으로 식별된 기능 유형에서 수동으로 기능 유형을 변경하는 사용자 작업을 참조하십시오. | [기능 유형 변경](https://help.qlik.com/ko-KR/cloud-services/Subsystems/Hub/Content/Sense_Hub/AutoML/configuring-experiments.htm#Changing) |
| 대상 결과 | 모델에 의해 예측되는 대상 열의 값. | [머신러닝 모델에서 편향 감지](https://help.qlik.com/ko-KR/cloud-services/Subsystems/Hub/Content/Sense_Hub/AutoML/bias-detection.htm#Changing) |
## 교육 보고서 다운로드 권한 및 요구 사항
### 관리 활동 센터에서 다운로드하기 위한 권한 및 요구 사항
관리 활동 센터에서 교육 보고서를 내보내려면 모델을 최소한 하나의 ML 배포에 배포해야 합니다.
기계 학습 콘텐츠에 대한 보기 액세스 권한도 필요합니다.즉, 관리자는 다음 중 하나가 있어야 합니다.
* Tenant Admin 역할
* Analytics Admin 역할
* 기본 권한 또는 사용자 지정 보안 역할을 통해 ML 실험 및 배포 관리 관리자 권한이 허용됨으로 설정됨
### ML 실험 및 배포에서 다운로드하기 위한 권한
다음 중 하나가 있으면 관리자는 ML 실험 및 ML 배포에서 학습 보고서를 다운로드할 수 있습니다.
* Tenant Admin 역할
* Analytics Admin 역할
* 기본 권한 또는 사용자 지정 보안 역할을 통해 ML 실험 및 배포 관리 관리자 권한이 허용됨으로 설정됨
## 제한 사항
* 교육 보고서는 2025년 7월 말 이후에 만들어진 ML 실험에 대해서만 사용할 수 있습니다.