Conceitos básicos (cadernos Python)

nota

Para obter uma lista completa de tutoriais que usam cadernos Python, consulte a página de exemplos do Github do Amazon Forecast.

,Para começar a usar as APIs do Amazon Forecast com notebooks Python, consulte o Tutorial de conceitos básicos. O tutorial orienta você pelas etapas principais do Forecast do início ao fim.

Para obter tutoriais básicos de processos específicos, consulte os seguintes cadernos Python:

1. Preparing data: prepare um conjunto de dados, crie um grupo de conjuntos de dados, defina o esquema e importe o grupo de conjuntos de dados.

2. Building your predictor: treine um preditor com base nos dados que você importou para o conjunto de dados do Forecast.

3. Evaluating predictors: obtenha previsões, visualize previsões e compare resultados.

4. Retraining predictors: treine novamente um preditor existente com dados atualizados.

5. Upgrade to AutoPredictor: faça upgrade dos preditores herdados para o AutoPredictor.

6. Clean Up - Exclua grupos de conjuntos de dados, preditores e previsões criados durante os tutoriais.

Para repetir o tutorial de conceitos básicos do AutoML, consulte Conceitos básicos do AutoML.

Tutoriais avançados

Para obter tutoriais mais avançados, consulte os seguintes cadernos Python:

• Item-level Explainability: entenda como os atributos de conjunto de dados afetam as previsões de séries temporais e pontos no tempo específicos.

• Comparing multiple models: crie preditores usando Prophet, ETS e DeepAR+ e compare o desempenhos deles visualizando os resultados.

• Cold start forecasting: use metadados de itens e o algoritmo DeepAR+ para prever cenários de inicialização a frio (quando há pouco ou nenhum dado histórico).

• Incorporating related time-series datasets: use conjuntos de dados de séries temporais relacionados para melhorar a precisão do seu modelo.

• Incorporating item metadata: use metadados de itens para melhorar a precisão do seu modelo.

• Using the Weather Index: use o Weather Index para incorporar informações meteorológicas históricas e projetadas ao treinar seus preditores.

• Performing What-if analysis: explore diferentes cenários de preços e avalie como isso afetará a demanda.

• Evaluate item-level accuracy: exporte métricas e previsões de backtest e avalie o desempenho do preditor no nível do item.