Amazon Forecast ya no está disponible para nuevos clientes. Los clientes actuales de Amazon Forecast pueden seguir utilizando el servicio con normalidad. [Más información](https://aws.amazon.com/blogs/machine-learning/transition-your-amazon-forecast-usage-to-amazon-sagemaker-canvas/)

Las traducciones son generadas a través de traducción automática. En caso de conflicto entre la traducción y la version original de inglés, prevalecerá la version en inglés.

# Introducción (Cuadernos de Python)
<a name="getting-started-python"></a>

**nota**  
Para ver una lista completa de tutoriales sobre el uso de cuadernos de Python, consulte la página de [ejemplos de Github](https://github.com/aws-samples/amazon-forecast-samples/tree/master/notebooks) de Amazon Forecast.

Para empezar a utilizar Amazon Forecast APIs con libretas de Python, consulta el [tutorial de introducción](https://github.com/aws-samples/amazon-forecast-samples/blob/main/notebooks/basic/Getting_Started/Amazon_Forecast_Quick_Start_Guide.ipynb). El tutorial lo guía a través de los pasos básicos de Forecast de principio a fin.

Para obtener tutoriales básicos sobre procesos específicos, consulte los siguientes cuadernos de Python:

1. [Preparación de datos](https://github.com/aws-samples/amazon-forecast-samples/blob/master/notebooks/basic/Tutorial/1.Importing_Your_Data.ipynb): prepare un conjunto de datos, cree un grupo de conjuntos de datos, defina el esquema e importe el grupo de conjuntos de datos.

1. [Creación de su predictor](https://github.com/aws-samples/amazon-forecast-samples/blob/master/notebooks/basic/Tutorial/2.Building_Your_Predictor.ipynb): entrene un predictor a partir de los datos que ha importado a su conjunto de datos de Forecast.

1. [Evaluación de predictores](https://github.com/aws-samples/amazon-forecast-samples/blob/master/notebooks/basic/Tutorial/3.Evaluating_Your_Predictor.ipynb): obtenga predicciones, visualice las predicciones y compare los resultados.

1. [Reentrenamiento de los predictores](https://github.com/aws-samples/amazon-forecast-samples/blob/main/notebooks/advanced/Retraining_AutoPredictor/Retraining.ipynb): reentrene un predictor existente con datos actualizados.

1. [Actualizar a AutoPredictor](https://github.com/aws-samples/amazon-forecast-samples/blob/main/notebooks/basic/Upgrading_to_AutoPredictor/UpgradeToAutoPredictor.ipynb): actualice los predictores antiguos a. AutoPredictor

1. [Limpiar](https://github.com/aws-samples/amazon-forecast-samples/blob/master/notebooks/basic/Tutorial/4.Cleanup.ipynb): elimine los grupos de conjuntos de datos, los predictores y las previsiones creados durante los tutoriales.

Para repetir el tutorial de introducción a AutoML, consulte [Introducción a AutoML](https://github.com/aws-samples/amazon-forecast-samples/blob/master/notebooks/advanced/Getting_started_with_AutoML/Getting_started_with_AutoML.ipynb).

## Tutoriales avanzados
<a name="getting-started-python-advanced"></a>

Para obtener tutoriales más avanzados, consulte los siguientes cuadernos de Python:
+ [Explicabilidad a nivel de artículo](https://github.com/aws-samples/amazon-forecast-samples/blob/main/notebooks/advanced/Item_Level_Explainability/Item_Level_Explanability.ipynb): comprenda cómo los atributos del conjunto de datos afectan a las previsiones para series temporales y puntos de tiempo específicos.
+ [Comparación de varios modelos](https://github.com/aws-samples/amazon-forecast-samples/blob/master/notebooks/advanced/Compare_Multiple_Models/Compare_Multiple_Models.ipynb): cree predictores con Prophet, ETS y DeepAR\$1 y compare sus rendimientos visualizando los resultados.
+ [Previsión de arranque en frío](https://github.com/aws-samples/amazon-forecast-samples/blob/master/notebooks/advanced/Forecast%20with%20Cold%20Start%20Items/Forecast%20with%20Cold%20Start%20Items.ipynb): utilice los metadatos de los artículos y el algoritmo DeepAR\$1 para prever escenarios de arranque en frío (cuando hay pocos o ningún dato histórico).
+ [Incorporación de conjuntos de datos de series temporales relacionadas](https://github.com/aws-samples/amazon-forecast-samples/blob/master/notebooks/advanced/Incorporating_Related_Time_Series_dataset_to_your_Predictor/Incorporating_Related_Time_Series_dataset_to_your_Predictor.ipynb): utilice conjuntos de datos de series temporales relacionadas para mejorar la precisión del modelo.
+ [Incorporación de metadatos de artículos](https://github.com/aws-samples/amazon-forecast-samples/blob/master/notebooks/advanced/Incorporating_Item_Metadata_Dataset_to_your_Predictor/Incorporating_Item_Metadata_Dataset_to_your_Predictor.ipynb): utilice los metadatos de los artículos para mejorar la precisión de su modelo.
+ [Uso del índice meteorológico](https://github.com/aws-samples/amazon-forecast-samples/tree/master/notebooks/advanced/Weather_index): utilice el índice meteorológico para incorporar información meteorológica histórica y proyectada al entrenar sus predictores.
+ [Realizar un análisis condicional](https://github.com/aws-samples/amazon-forecast-samples/blob/master/notebooks/advanced/WhatIf_Analysis/WhatIf_Analysis.ipynb): explore diferentes escenarios de precios y evalúe cómo afecta a la demanda.
+ [Evaluar precisión a nivel de artículo](https://github.com/aws-samples/amazon-forecast-samples/blob/master/notebooks/advanced/Item_Level_Accuracy/Item_Level_Accuracy_Using_Bike_Example.ipynb): exporte métricas y previsiones de pruebas retrospectivas y evalúe el rendimiento de su predictor a nivel de artículo.