Die vorliegende Übersetzung wurde maschinell erstellt. Im Falle eines Konflikts oder eines Widerspruchs zwischen dieser übersetzten Fassung und der englischen Fassung (einschließlich infolge von Verzögerungen bei der Übersetzung) ist die englische Fassung maßgeblich.
Erste Schritte (Python-Notebooks)
Anmerkung
Eine vollständige Liste der Tutorials mit Python-Notebooks finden Sie auf der Amazon Forecast Github-Beispielseite
Informationen zum Einstieg in die Verwendung von Amazon Forecast APIs mit Python-Notebooks finden Sie im Tutorial Erste Schritte
Grundlegendes Tutorial für bestimmte Prozesse finden Sie in den folgenden Python-Notebooks:
-
Daten vorbereiten
— Bereiten Sie einen Datensatz vor, erstellen Sie eine Datensatzgruppe, definieren Sie das Schema und importieren Sie die Datensatzgruppe. -
Erstellen Sie Ihren Prädiktor
— Trainiere einen Prädiktor anhand der Daten, die Sie in Ihren Forecast-Datensatz importiert haben. -
Prädiktoren auswerten
— Erhalten Sie Vorhersagen, visualisieren Sie Vorhersagen und vergleichen Sie Ergebnisse. -
Umschulung von Prädiktoren
— Trainiere einen vorhandenen Prädiktor mit aktualisierten Daten neu. -
Upgrade auf AutoPredictor
— Aktualisieren Sie ältere Prädiktoren auf AutoPredictor. -
Aufräumen
— Löscht die Datensatzgruppen, Prädiktoren und Prognosen, die während der Tutorials erstellt wurden.
Informationen zur Wiederholung des Tutorials „Erste Schritte mit AutoML“ finden Sie unter Erste Schritte mit AutoML
Dialogfeld mit
Dialogfeld mit folgenden Python-Notizbüchern erhalten Sie in folgenden Python-Notizbüchern:
-
Erklärbarkeit auf Artikelebene —
Verstehen Sie, wie sich Datensatzattribute auf Prognosen für bestimmte Zeitreihen und Zeitpunkte auswirken. -
Vergleich mehrerer Modelle
— Erstellen Sie Prädiktoren mit Prophet, ETS und DeePar+ und vergleichen Sie ihre Leistung, indem Sie die Ergebnisse visualisieren. -
Kaltstartprognose
— Verwenden Sie Artikelmetadaten und den DeePar+-Algorithmus, um Prognosen für Kaltstartszenarien zu erstellen (wenn nur wenige oder keine historischen Daten vorliegen). -
Einbindung verwandter Zeitreihendatensätze
— Verwenden Sie verwandte Zeitreihendatensätze, um die Genauigkeit Ihres Modells zu verbessern. -
Einbeziehen von Artikelmetadaten
— Verwenden Sie Artikelmetadaten, um die Genauigkeit Ihres Modells zu verbessern. -
Verwenden des Wetterindex
— Verwenden Sie den Wetterindex, um historische und prognostizierte Wetterinformationen in das Training Ihrer Prädiktoren einzubeziehen. -
Durchführung einer Was-wäre-wenn-Analyse
— Untersuchen Sie verschiedene Preisszenarien und bewerten Sie, wie sich diese auf die Nachfrage auswirken. -
Genauigkeit auf Artikelebene auswerten
— Exportieren Sie Backtest-Metriken und Prognosen und bewerten Sie die Leistung Ihres Prädiktors auf Artikelebene.