Przedstawiamy zautomatyzowane uczenie maszynowe

Ostatnia aktualizacja: 8.09.2026

Qlik Predict umożliwia automatyzację uczenia maszynowego dla zespołów analitycznych. Prosty, niewymagający kodowania interfejs pozwala łatwo opracowywać eksperymenty uczenia maszynowego, generować modele i tworzyć predykcje.

Co to jest uczenie maszynowe

Uczenie maszynowe to dziedzina sztucznej inteligencji i nauki o danych koncentrująca się na rozpoznawaniu wzorców w danych historycznych w celu przewidywania wyników w przyszłości. Algorytmy są uczone na tych danych w celu zbudowania modelu predykcyjnego bez specjalnego programowania. Model uczenia maszynowego może pomóc w uzyskaniu odpowiedzi na takie pytania jak:

• Czy klient siłowni zrezygnuje z abonamentu?

• Jaka jest oczekiwana wartość całkowita danego klienta?

Więcej informacji o podstawowych pojęciach zawiera temat Zrozumienie uczenia maszynowego. Dowiesz się z niego również o strukturze definiowania pytań dotyczących uczenia maszynowego i przygotowywania zestawów danych.

Do czego można wykorzystać zautomatyzowane uczenie maszynowe

Twórz eksperymenty zautomatyzowanego uczenia maszynowego w Qlik Sense. W centrum aktywności Analizy możesz współpracować nad eksperymentem z innymi użytkownikami i łatwo ładować dane z katalogu w celu uczenia modelu.

Zintegruj analizy predykcyjne z aplikacjami Qlik Sense, aby udostępniać swoje wyniki. Eksploruj głębiej przy użyciu wizualizacji i interaktywnych scenariuszy „co by było, gdyby”, aby się zorientować, jak zmiana różnych parametrów może wpłynąć na pożądany wynik.

Możesz tworzyć predykcje dotyczące zestawów danych przechowywanych w Katalogu lub predykcje operacyjne w czasie rzeczywistym za pomocą interfejsów API Qlik Sense.

Jak działają eksperymenty

Eksperyment uczy algorytmy uczenia maszynowego na określonym zestawie danych z określonym celem. Uczenie generuje modele uczenia maszynowego, które można wykorzystać do predykcji.

Większość procesów w zautomatyzowanym uczeniu maszynowym przebiega automatycznie. Gdy tworzysz eksperyment i ładujesz zestaw danych, zestaw danych jest automatycznie analizowany, a dane są wstępnie przetwarzane w celu przygotowania ich do uczenia maszynowego. Wyświetlane są statystyki i inne informacje o każdej kolumnie, aby pomóc Ci w wyborze celu. Po rozpoczęciu uczenia kilka algorytmów rozpoczyna wyszukiwanie wzorców w danych. Aby uzyskać więcej informacji na temat tworzenia i uczenia eksperymentów, zobacz temat Praca z eksperymentami.

Po zakończeniu szkolenia wyniki i klasyfikacje umożliwiają ocenę wygenerowanych modeli uczenia maszynowego. Zmieniając parametry i powtarzając uczenie, możesz wygenerować wiele wersji. Wybierz najlepiej działający model dla swojego zestawu danych i wdróż go, aby rozpocząć tworzenie predykcji. Więcej informacji zawiera temat Praca z wdrożeniami uczenia maszynowego.

Jak pokazano na poniższej ilustracji, eksperyment może mieć wiele wersji, z których każda używa jednego lub większej liczby algorytmów. Model z najwydajniejszym algorytmem można wdrożyć w celu tworzenia predykcji. Oznacza to, że efektem jednego eksperymentu może być kilka wdrożeń uczenia maszynowego.