Memulai (Notebook Python)

catatan

Untuk daftar lengkap tutorial menggunakan notebook Python, lihat halaman Sampel Amazon Forecast Github.

Untuk mulai menggunakan Amazon Forecast API dengan notebook Python, lihat Tutorial Memulai. Tutorial memandu Anda melalui langkah-langkah inti Forecast dari awal hingga akhir.

Untuk tutorial dasar untuk proses tertentu, lihat notebook Python berikut:

1. Mempersiapkan data - Siapkan dataset, membuat grup dataset, menentukan skema, dan mengimpor kelompok dataset.

2. Membangun prediktor Anda - Latih prediktor pada data yang Anda impor ke kumpulan data Forecast Anda.

3. Mengevaluasi prediktor - Dapatkan prediksi, memvisualisasikan prediksi, dan membandingkan hasil.

4. Prediktor pelatihan ulang - Melatih kembali prediktor yang ada dengan data yang diperbarui.

5. Upgrade ke AutoPredictor - Tingkatkan prediktor warisan ke AutoPredictor.

6. Clean Up - Hapus grup dataset, prediktor, prakiraan yang dibuat selama tutorial.

Untuk mengulang tutorial Memulai dengan AutoML, lihat Memulai dengan AutoML.

Tutorial Lanjutan

Untuk tutorial yang lebih maju, rujuk ke notebook Python berikut:

• Penjelasan tingkat item - Memahami bagaimana atribut dataset memengaruhi perkiraan untuk deret waktu dan titik waktu tertentu.

• Membandingkan beberapa model - Buat prediktor menggunakan Nabi, ETS, dan Deepar +, dan bandingkan penampilan mereka dengan memvisualisasikan hasilnya.

• Peramalan awal dingin - Gunakan metadata item dan algoritma DeePar+untuk meramalkan skenario cold-start (ketika ada sedikit atau tidak ada data historis).

• Menggabungkan dataset deret waktu terkait - Gunakan set data deret waktu terkait untuk meningkatkan keakuratan model Anda.

• Menggabungkan metadata item - Gunakan metadata item untuk meningkatkan akurasi model Anda.

• Menggunakan Indeks Cuaca - Gunakan Indeks Cuaca untuk memasukkan informasi cuaca historis dan proyeksi saat melatih prediktor Anda.

• Melakukan analisis What-if - Jelajahi skenario harga yang berbeda dan evaluasi bagaimana hal itu berdampak pada permintaan.

• Evaluasi akurasi tingkat item - Ekspor metrik dan prakiraan backtest, dan evaluasi kinerja tingkat item prediktor Anda.