Amazon Forecast ist für Neukunden nicht mehr verfügbar. Bestehende Kunden von Amazon Forecast können den Service weiterhin wie gewohnt nutzen. [Erfahren Sie mehr“](https://aws.amazon.com/blogs/machine-learning/transition-your-amazon-forecast-usage-to-amazon-sagemaker-canvas/)
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
Gehen Sie wie folgt vor, um mit der Verwendung von Amazon Forecast zu beginnen.
+ Erstellen Sie einen Prognose-Datensatz und importieren Sie Trainingsdaten.
+ Erstellen Sie einen Prognoseprädiktor, mit dem Sie Prognosen auf der Grundlage Ihrer Zeitreihendaten generieren. Forecast wendet die optimale Kombination von Algorithmen auf jede Zeitreihe in Ihren Datensätzen an.
+ Erstellen Sie eine Prognose.
In dieser Übung verwenden Sie eine modifizierte Version eines öffentlich verfügbaren Datensatzes zum Stromverbrauch, um einen Prädiktor zu trainieren. Weitere Informationen finden Sie unter Datensatz [ElectricityLoadDiagrams20112014](https://archive.ics.uci.edu/ml/datasets/ElectricityLoadDiagrams20112014). Nachfolgend sehen Sie einige Beispielzeilen aus dem Dataset:
```
2014-01-01 01:00:00, 2.53807106598985, client_0
2014-01-01 01:00:00, 23.648648648648624, client_1
2014-01-01 02:00:00, 9.648648648612345, client_0
```
Für diese Übung verwenden Sie das Dataset, um einen Predictor zu schulen und dann den stündlichen Stromverbrauch pro Kunde zu prognostizieren.
Sie können für diese Übung entweder die Prognose-Konsole oder die AWS Command Line Interface (AWS CLI) verwenden. Achten Sie auf die Standardregionen der Amazon Forecast-Konsole AWS CLI, The und Amazon Forecast SDKs, da Amazon Forecast-Ressourcen nicht regionsübergreifend gemeinsam genutzt werden.
**Wichtig**
Bevor Sie beginnen, stellen Sie sicher, dass Sie über eine verfügen AWS-Konto und die installiert haben AWS CLI. Weitere Informationen finden Sie unter [Einrichten](setup.md). Wir empfehlen auch, das Kapitel [Funktionsweise von Amazon Forecast](how-it-works.md) zu lesen.
**Topics**
+ [Vorbereiten von Eingabedaten](#gs-upload-data-to-s3)
+ [Erste Schritte (Konsole)](gs-console.md)
+ [Erste Schritte (AWS CLI)](gs-cli.md)
+ [Erste Schritte (Python Notebooks)](getting-started-python.md)
+ [Bereinigen von -Ressourcen](#gs-cleanup)
## Vorbereiten von Eingabedaten
Unabhängig davon, ob Sie die Amazon Forecast-Konsole oder die AWS Command Line Interface (AWS CLI) verwenden, um ein Prognoseprojekt einzurichten, müssen Sie Ihre Eingabedaten einrichten. Gehen Sie wie folgt vor, um Ihre Daten vorzubereiten:
+ Laden Sie Trainingsdaten auf Ihren Computer herunter und laden Sie sie in einen Amazon Simple Storage Service (Amazon S3) -Bucket in Ihrem AWS-Konto. Um Ihre Daten in einen Amazon Forecast-Datensatz zu importieren, müssen Sie sie in einem Amazon S3 S3-Bucket speichern.
+ Erstellen Sie eine AWS Identity and Access Management (IAM-) Rolle. Sie erteilen Amazon Forecast die Erlaubnis, mit der IAM-Rolle auf Ihren S3-Bucket zuzugreifen. Weitere Informationen zu IAM-Rollen finden Sie unter [IAM-Rollen](https://docs.aws.amazon.com/IAM/latest/UserGuide/id_roles.html) im *IAM-Benutzerhandbuch*.
**So bereiten Sie Schulungsdaten vor**
1. Laden Sie die ZIP-Datei [electricityusagedata.zip](samples/electricityusagedata.zip) herunter.
Für diese Übung verwenden Sie eine modifizierte Version des Datensatzes zum Stromverbrauch einzelner Haushalte. (Dua, D. und Karra Taniskidou, E. (2017). UCI-Repository für Machine Learning [[http://archive.ics.uci.edu/ml](http://archive.ics.uci.edu/ml)]. Irvine, CA: Universität von Kalifornien, Fakultät für Information und Informatik.) Wir aggregieren die Nutzungsdaten stündlich.
1. Entpacken Sie den Inhalt und speichern Sie die Datei lokal als `electricityusagedata.csv`.
1. Laden Sie die Datendatei in einen S3-Bucket hoch.
step-by-stepAnweisungen finden Sie unter [Hochladen von Dateien und Ordnern mithilfe von Drag & Drop](https://docs.aws.amazon.com/AmazonS3/latest/user-guide/upload-objects.html) im *Amazon Simple Storage Service-Benutzerhandbuch*.
1. Erstellen Sie eine IAM-Rolle.
Wenn Sie die AWS CLI Übung „Erste Schritte“ verwenden möchten, müssen Sie eine IAM-Rolle erstellen. Wenn Sie die Konsole verwenden, können Sie die Rolle automatisch erstellen lassen. step-by-stepAnweisungen finden Sie unter[Einrichten von Berechtigungen für Amazon Forecast](aws-forecast-iam-roles.md).
Nachdem Sie die Daten auf Amazon S3 hochgeladen haben, können Sie die Amazon Forecast-Konsole oder die verwenden, um Trainingsdaten AWS CLI zu importieren, einen Prädiktor zu erstellen, eine Prognose zu generieren und die Prognose anzuzeigen.
+ [Erste Schritte (Konsole)](gs-console.md)
+ [Erste Schritte (AWS CLI)](gs-cli.md)
## Bereinigen von -Ressourcen
Löschen Sie nach Abschluss der Übungen im Rahmen der ersten Schritte die erstellten Ressourcen, um unnötige Gebühren zu vermeiden. Um die Ressourcen zu löschen, verwenden Sie entweder die Amazon Forecast-Konsole oder die Option `Delete` APIs from the SDKs oder the AWS Command Line Interface (AWS CLI). Verwenden Sie beispielsweise die API [DeleteDataset](API_DeleteDataset.md) zum Löschen eines Datasets.
Um eine Ressource zu löschen, muss ihr Status `ACTIVE`, `CREATE_FAILED` oder `UPDATE_FAILED` lauten. Überprüfen Sie den Status `Describe` APIs beispielsweise mit dem[DescribeDataset](API_DescribeDataset.md).
Einige Ressourcen müssen vor anderen gelöscht werden, wie in der folgenden Tabelle gezeigt. Dieser Vorgang kann einige Zeit in Anspruch nehmen.
Um die hochgeladenen Schulungsdaten zu löschen, ` electricityusagedata.csv`, siehe [Wie werden Objekte aus einem S3-Bucket gelöscht?](https://docs.aws.amazon.com/AmazonS3/latest/userguide/delete-objects.html)
| Zu löschende Ressource | Zuerst löschen | Hinweise |
| --- | --- | --- |
| ForecastExportJob | | |
| Forecast | | Eine Prognose, die gerade exportiert wird, kann nicht gelöscht werden. Eine bereits gelöschte Prognose kann nicht mehr abgefragt werden. |
| Predictor | Alle zugeordneten Prognosen. | |
| DatasetImportJob | | Kann nicht gelöscht werden. |
| Dataset | | Alle `DatasetImportJob`s, die auf das Dataset abzielen, werden ebenfalls gelöscht. Ein `Dataset`, das von einem Prädiktor verwendet wird, kann nicht gelöscht werden. |
| DatasetSchema | Alle Datensätze, die auf das Schema verweisen. | |
| DatasetGroup | Alle zugeordneten PrädiktorenAlle zugeordneten Prognosen.Alle Datasets in der Dataset-Gruppe. | Eine `DatasetGroup`, die ein `Dataset` enthält, davon von einem Prädiktor verwendet wird, kann nicht gelöscht werden. |