Introduktion till automatiserad maskininlärning

Automatisera maskininlärning för ditt analysteam med Qlik Predict. Med det enkla gränssnittet utan kod kan du enkelt skapa maskininlärningsexperiment för att generera modeller och göra prognoser.

Vad är maskininlärning?

Maskininlärning är en gren av artificiell intelligens och datavetenskap som fokuserar på att känna igen mönster i historiska data för att förutsäga framtida resultat. Algoritmer tränas på data för att bygga en prediktiv modell utan att uttryckligen programmeras för att göra det. En modell för maskininlärning kan hjälpa dig att besvara frågor som:

• Kommer en gymkund att säga upp sitt medlemskap?

• Vad är det förväntade livstidsvärdet för en viss kund?

Läs mer om de grundläggande begreppen i Grunderna för maskininlärning. Du kommer också att lära dig mer om det strukturerade ramverket för att definiera frågor för maskininlärning och förbereda datauppsättningar.

Vad kan du göra med automatiserad maskininlärning?

Skapa experiment för automatiserad maskininlärning i Qlik Sense. I aktivitetscentret för Analyser kan du samarbeta med andra användare i experimentet och enkelt ladda data från Katalog för att träna modellen.

Integrera din prediktiva analys med Qlik Sense-appar för att dela dina resultat. Utforska vidare med hjälp av visualiseringar och interaktiva scenarier för att förstå hur olika parametrar kan påverka det önskade resultatet.

Du kan göra prognoser för datauppsättningar som lagras i Catalog eller göra operativa prognoser i realtid med hjälp av Qlik Sense-API:er.

Hur fungerar experiment?

Ett experiment tränar algoritmer för maskininlärning på en viss datauppsättning med ett visst mål. Träningen genererar modeller för maskininlärning som du kan använda för att göra prognoser.

Större delen av processen är automatiserad vid automatiserad maskininlärning. När du skapar ett experiment och laddar en datauppsättning analyseras datauppsättningen automatiskt och data förbearbetas för att göras redo för maskininlärning. Statistik och annan information om varje kolumn visas för att hjälpa dig att välja ett mål. När du börjar träningen börjar flera algoritmer söka efter mönster i data. För mer information om hur du skapar och tränar experiment, se Arbeta med experiment.

När träningen är klar kan du utvärdera de genererade modellerna för maskininlärning med hjälp av poäng och rangordningar. Genom att ändra parametrar och upprepa träningen kan du skapa ett antal versioner. Välj den bästa modellen för din datauppsättning och använd den för att börja göra prognoser. Se Arbeta med ML-distributioner för mer information.

Som bilden nedan visar kan ett experiment ha flera versioner, var och en med en eller flera algoritmer. Modellen med den bästa algoritmen kan användas för att göra prognoser. Detta innebär att ett experiment kan resultera i flera ML-driftsättningar.

Qlik Predict-begränsningar

Qlik Predict är en kostnadsbelagd tilläggsfunktion. Vissa begränsade funktioner ingår i tillämpliga prenumerationer. De specifika funktionerna och kapaciteterna beror på din prenumerationsnivå.

• Qlik Predict har en API-gräns på 300 förfrågningar per minut.

• Maximalt antal kolumner i datauppsättningen: 500

  Detta gäller de datauppsättningar som används för att träna experiment och generera prognoser. Gränsen är det antal kolumner som används som funktioner i en experimentversion. Fler kolumner kan ingå i datauppsättningen och gränserna beräknas när kolumner inkluderas i datauppsättningen.