Introducción (Cuadernos de Python)

nota

Para ver una lista completa de tutoriales sobre el uso de cuadernos de Python, consulte la página de ejemplos de Github de Amazon Forecast.

Para empezar a utilizar las API de Amazon Forecast con los cuadernos de Python, consulte el tutorial de introducción. El tutorial lo guía a través de los pasos básicos de Forecast de principio a fin.

Para obtener tutoriales básicos sobre procesos específicos, consulte los siguientes cuadernos de Python:

1. Preparación de datos: prepare un conjunto de datos, cree un grupo de conjuntos de datos, defina el esquema e importe el grupo de conjuntos de datos.

2. Creación de su predictor: entrene un predictor a partir de los datos que ha importado a su conjunto de datos de Forecast.

3. Evaluación de predictores: obtenga predicciones, visualice las predicciones y compare los resultados.

4. Reentrenamiento de los predictores: reentrene un predictor existente con datos actualizados.

5. Actualización a AutoPredictor: actualice los predictores antiguos a AutoPredictor.

6. Limpiar: elimine los grupos de conjuntos de datos, los predictores y las previsiones creados durante los tutoriales.

Para repetir el tutorial de introducción a AutoML, consulte Introducción a AutoML.

Tutoriales avanzados

Para obtener tutoriales más avanzados, consulte los siguientes cuadernos de Python:

• Explicabilidad a nivel de artículo: comprenda cómo los atributos del conjunto de datos afectan a las previsiones para series temporales y puntos de tiempo específicos.

• Comparación de varios modelos: cree predictores con Prophet, ETS y DeepAR+ y compare sus rendimientos visualizando los resultados.

• Previsión de arranque en frío: utilice los metadatos de los artículos y el algoritmo DeepAR+ para prever escenarios de arranque en frío (cuando hay pocos o ningún dato histórico).

• Incorporación de conjuntos de datos de series temporales relacionadas: utilice conjuntos de datos de series temporales relacionadas para mejorar la precisión del modelo.

• Incorporación de metadatos de artículos: utilice los metadatos de los artículos para mejorar la precisión de su modelo.

• Uso del índice meteorológico: utilice el índice meteorológico para incorporar información meteorológica histórica y proyectada al entrenar sus predictores.

• Realizar un análisis condicional: explore diferentes escenarios de precios y evalúe cómo afecta a la demanda.

• Evaluar precisión a nivel de artículo: exporte métricas y previsiones de pruebas retrospectivas y evalúe el rendimiento de su predictor a nivel de artículo.