Amazon Forecast tidak lagi tersedia untuk pelanggan baru. Pelanggan Amazon Forecast yang ada dapat terus menggunakan layanan seperti biasa. [Pelajari lebih lanjut”](https://aws.amazon.com/blogs/machine-learning/transition-your-amazon-forecast-usage-to-amazon-sagemaker-canvas/)

Terjemahan disediakan oleh mesin penerjemah. Jika konten terjemahan yang diberikan bertentangan dengan versi bahasa Inggris aslinya, utamakan versi bahasa Inggris.

# Memulai (Notebook Python)
<a name="getting-started-python"></a>

**catatan**  
Untuk daftar lengkap tutorial menggunakan notebook Python, lihat halaman Sampel [Github](https://github.com/aws-samples/amazon-forecast-samples/tree/master/notebooks) Amazon Forecast.

Untuk mulai menggunakan Amazon Forecast APIs dengan notebook Python, lihat Tutorial [Memulai](https://github.com/aws-samples/amazon-forecast-samples/blob/main/notebooks/basic/Getting_Started/Amazon_Forecast_Quick_Start_Guide.ipynb). Tutorial memandu Anda melalui langkah-langkah inti Forecast dari awal hingga akhir.

Untuk tutorial dasar untuk proses tertentu, lihat notebook Python berikut:

1. [Mempersiapkan data](https://github.com/aws-samples/amazon-forecast-samples/blob/master/notebooks/basic/Tutorial/1.Importing_Your_Data.ipynb) - Siapkan kumpulan data, buat grup dataset, tentukan skema, dan impor grup dataset.

1. [Membangun prediktor Anda](https://github.com/aws-samples/amazon-forecast-samples/blob/master/notebooks/basic/Tutorial/2.Building_Your_Predictor.ipynb) - Latih prediktor pada data yang Anda impor ke dataset Forecast Anda.

1. [Mengevaluasi prediktor](https://github.com/aws-samples/amazon-forecast-samples/blob/master/notebooks/basic/Tutorial/3.Evaluating_Your_Predictor.ipynb) - Dapatkan prediksi, visualisasikan prediksi, dan bandingkan hasil.

1. [Prediktor pelatihan ulang](https://github.com/aws-samples/amazon-forecast-samples/blob/main/notebooks/advanced/Retraining_AutoPredictor/Retraining.ipynb) - Melatih kembali prediktor yang ada dengan data yang diperbarui.

1. [Tingkatkan ke AutoPredictor](https://github.com/aws-samples/amazon-forecast-samples/blob/main/notebooks/basic/Upgrading_to_AutoPredictor/UpgradeToAutoPredictor.ipynb) - Tingkatkan prediktor lama ke. AutoPredictor

1. [Bersihkan](https://github.com/aws-samples/amazon-forecast-samples/blob/master/notebooks/basic/Tutorial/4.Cleanup.ipynb) - Hapus grup dataset, prediktor, prakiraan yang dibuat selama tutorial.

Untuk mengulangi tutorial Memulai dengan AutoML, lihat [Memulai dengan AutoML](https://github.com/aws-samples/amazon-forecast-samples/blob/master/notebooks/advanced/Getting_started_with_AutoML/Getting_started_with_AutoML.ipynb).

## Tutorial Lanjutan
<a name="getting-started-python-advanced"></a>

Untuk tutorial yang lebih lanjut, lihat notebook Python berikut:
+ [Keterjelasan tingkat item -](https://github.com/aws-samples/amazon-forecast-samples/blob/main/notebooks/advanced/Item_Level_Explainability/Item_Level_Explanability.ipynb) Memahami bagaimana atribut kumpulan data memengaruhi perkiraan untuk deret waktu dan titik waktu tertentu.
+ [Membandingkan beberapa model](https://github.com/aws-samples/amazon-forecast-samples/blob/master/notebooks/advanced/Compare_Multiple_Models/Compare_Multiple_Models.ipynb) - Buat prediktor menggunakan Nabi, ETS, dan DeepAR\$1, dan bandingkan kinerja mereka dengan memvisualisasikan hasilnya.
+ [Peramalan awal dingin](https://github.com/aws-samples/amazon-forecast-samples/blob/master/notebooks/advanced/Forecast%20with%20Cold%20Start%20Items/Forecast%20with%20Cold%20Start%20Items.ipynb) - Gunakan metadata item dan algoritme DeepAR\$1 untuk memperkirakan skenario start dingin (ketika ada sedikit atau tidak ada data historis).
+ [Memasukkan kumpulan data deret waktu terkait - Gunakan kumpulan data](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) deret waktu terkait untuk meningkatkan akurasi model Anda.
+ [Memasukkan metadata item](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) - Gunakan metadata item untuk meningkatkan akurasi model Anda.
+ [Menggunakan Indeks Cuaca - Gunakan Indeks](https://github.com/aws-samples/amazon-forecast-samples/tree/master/notebooks/advanced/Weather_index) Cuaca untuk menggabungkan informasi cuaca historis dan proyeksi saat melatih prediktor Anda.
+ [Melakukan analisis bagaimana-jika](https://github.com/aws-samples/amazon-forecast-samples/blob/master/notebooks/advanced/WhatIf_Analysis/WhatIf_Analysis.ipynb) - Jelajahi skenario penetapan harga yang berbeda dan evaluasi bagaimana pengaruhnya terhadap permintaan.
+ [Evaluasi akurasi tingkat item](https://github.com/aws-samples/amazon-forecast-samples/blob/master/notebooks/advanced/Item_Level_Accuracy/Item_Level_Accuracy_Using_Bike_Example.ipynb) - Ekspor metrik dan prakiraan backtest, dan evaluasi kinerja tingkat item prediktor Anda.