開始方法 (Python ノートブック)

注記

Python ノートブックを使用したチュートリアルの詳細なリストについては、Amazon Forecast の「Github Samples」(Github サンプル) のページを参照してください。

Python ノートブックで Amazon Forecast API の使用を開始するには、「開始方法のチュートリアル」を参照してください。チュートリアルでは、Forecast のコアステップを最初から最後までガイドします。

特定のプロセスに関する基本的なチュートリアルについては、次の Python ノートブックを参照してください。

1. データの準備 - データセットの準備、データセットグループの作成、スキーマの定義、およびデータセットグループのインポートを行います。

2. 予測子の構築 - Forecast データセットにインポートしたデータに基づいて予測子をトレーニングします。

3. 予測子の評価 - 予測を取得し、予測を視覚化し、結果を比較します。

4. 予測子の再トレーニング - 更新されたデータを使用して既存の予測子を再トレーニングします。

5. AutoPredictor へのアップグレード - レガシー予測子を AutoPredictor にアップグレードします。

6. クリーンアップ - チュートリアル中に作成されたデータセットグループ、予測子、予測を削除します。

AutoML の開始方法のチュートリアルを繰り返すには、「AutoML の開始方法」を参照してください。

高度なチュートリアル

より高度なチュートリアルについては、次の Python ノートブックを参照してください。

• アイテムレベルの Explainability - データセット属性が特定の時系列および時間ポイントの予測にどのように影響するかを理解します。

• 複数のモデルの比較 - Prophet、ETS、および DeepAR+ を使用して予測子を作成し、結果を可視化してそれらのパフォーマンスを比較します。

• コールドスタート予測 - アイテムメタデータと DeepAR+ アルゴリズムを使用して、コールドスタートシナリオを予測します (履歴データがほとんどないか、まったくない場合)。

• 関連する時系列データセットの組み込み - 関連する時系列データセットを使用して、モデルの精度を向上させます。

• アイテムメタデータの組み込み - アイテムメタデータを使用して、モデルの精度を向上させます。

• Weather Index の使用 - Weather Index を使用して、予測子をトレーニングするときに、履歴気象情報と予測された気象情報を組み込みます。

• What-if 分析の実行 - さまざまな価格シナリオを調査し、それが需要にどのように影響するかを評価します。

• アイテムレベルの精度を評価する - バックテストのメトリクスと予測をエクスポートし、予測子のアイテムレベルのパフォーマンスを評価します。