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

# Memulai (SDK for Python (Boto3))
<a name="getting-started-python"></a>

Tutorial ini menunjukkan cara menyelesaikan alur kerja Amazon Personalize dari awal hingga akhir dengan SDK for Python (Boto3). 

Saat Anda menyelesaikan latihan memulai, untuk menghindari biaya yang tidak perlu, hapus sumber daya yang Anda buat. Untuk informasi selengkapnya, lihat [Persyaratan untuk menghapus sumber daya Amazon Personalize](deleting-resources.md). 

**Topics**
+ [

## Prasyarat
](#gs-sdk-prerequisites)
+ [

## Tutorial
](#gs-python-custom-tutorial)
+ [

## Memulai menggunakan Amazon Personalize APIs dengan notebook Jupyter (IPython)
](#gs-jupyter-notebook)

## Prasyarat
<a name="gs-sdk-prerequisites"></a>

Berikut ini adalah langkah-langkah prasyarat untuk menggunakan contoh Python dalam panduan ini:
+ Selesaikan [Memulai prasyarat](gs-prerequisites.md) untuk mengatur izin yang diperlukan dan membuat data pelatihan. Jika Anda menggunakan data sumber Anda sendiri, pastikan bahwa data Anda diformat seperti prasyarat.
+ Siapkan AWS SDK untuk Python (Boto3) lingkungan Anda seperti yang ditentukan dalam[Menyiapkan AWS SDKs](aws-personalize-set-up-sdks.md).

## Tutorial
<a name="gs-python-custom-tutorial"></a>

Dalam langkah-langkah berikut, Anda memverifikasi lingkungan Anda dan membuat SDK for Python (Boto3) klien untuk Amazon Personalize. Kemudian Anda mengimpor data, membuat dan menerapkan versi solusi dengan kampanye, dan mendapatkan rekomendasi.

### Langkah 1: Verifikasi lingkungan Python Anda dan buat klien boto3
<a name="gs-python-example"></a>

Setelah Anda menyelesaikan prasyarat, jalankan contoh Python berikut untuk mengonfirmasi bahwa lingkungan Anda dikonfigurasi dengan benar. Kode ini juga membuat klien Amazon Personalize boto3 yang Anda gunakan dalam tutorial ini. Jika lingkungan Anda dikonfigurasi dengan benar, daftar resep yang tersedia ditampilkan, dan Anda dapat menjalankan contoh lain dalam tutorial ini.

```
import boto3

personalizeRt = boto3.client('personalize-runtime')
personalize = boto3.client('personalize')

response = personalize.list_recipes()

for recipe in response['recipes']:
    print (recipe)
```

### Langkah 2: Impor data
<a name="getting-started-python-import-dataset"></a>

Setelah Anda membuat Amazon Personalisasi klien boto3 dan memverifikasi lingkungan Anda, impor data historis yang Anda buat saat Anda menyelesaikan. [Memulai prasyarat](gs-prerequisites.md) Untuk mengimpor data historis ke Amazon Personalize, lakukan hal berikut:

1. Gunakan kode berikut untuk membuat skema di Amazon Personalize. Ganti `getting-started-schema` dengan nama untuk skema. 

   ```
   import json
   schema = {
     "type": "record",
     "name": "Interactions",
     "namespace": "com.amazonaws.personalize.schema",
     "fields": [
         {
             "name": "USER_ID",
             "type": "string"
         },
         {
             "name": "ITEM_ID",
             "type": "string"
         },
         {
             "name": "TIMESTAMP",
             "type": "long"
         }
     ],
     "version": "1.0"
   }
   
   create_interactions_schema_response = personalize.create_schema(
       name='getting-started-schema',
       schema=json.dumps(schema)
   )
   
   interactions_schema_arn = create_interactions_schema_response['schemaArn']
   print(json.dumps(create_interactions_schema_response, indent=2))
   ```

1. Buat grup dataset dengan kode berikut. Ganti `dataset group name` dengan nama untuk grup dataset.

   ```
   response = personalize.create_dataset_group(name = 'dataset group name')
   dataset_group_arn = response['datasetGroupArn']
   
   description = personalize.describe_dataset_group(datasetGroupArn = dataset_group_arn)['datasetGroup']
   
   print('Name: ' + description['name'])
   print('ARN: ' + description['datasetGroupArn'])
   print('Status: ' + description['status'])
   ```

1. Buat kumpulan data interaksi Item di grup kumpulan data baru Anda dengan kode berikut. Beri nama kumpulan data dan berikan `schema_arn` dan `dataset_group_arn` dari langkah sebelumnya.

   ```
   response = personalize.create_dataset(
       name = 'datase_name',
       schemaArn = 'schema_arn',
       datasetGroupArn = 'dataset_group_arn',
       datasetType = 'Interactions'
   )
   
   dataset_arn = response['datasetArn']
   ```

1. Impor data Anda dengan pekerjaan impor dataset dengan kode berikut. Kode menggunakan metode describe\$1dataset\$1import\$1job untuk melacak status pekerjaan. 

   Teruskan parameter berikut sebagai parameter: nama untuk pekerjaan, `dataset_arn` dari langkah sebelumnya, jalur bucket Amazon S3 (`s3://bucket name/folder name/ratings.csv`) tempat Anda menyimpan data pelatihan, dan ARN peran layanan IAM Anda. Anda menciptakan peran ini sebagai bagian dari[Memulai prasyarat](gs-prerequisites.md). Amazon Personalize memerlukan izin untuk mengakses bucket. Lihat [Memberikan Amazon Personalisasi akses ke sumber daya Amazon S3](granting-personalize-s3-access.md). 

   ```
   import time
   response = personalize.create_dataset_import_job(
       jobName = 'JobName',
       datasetArn = 'dataset_arn',
       dataSource = {'dataLocation':'s3://amzn-s3-demo-bucket/filename.csv'},
       roleArn = 'role_arn',
       importMode = 'FULL'
   )
   
   dataset_interactions_import_job_arn = response['datasetImportJobArn']
   
   description = personalize.describe_dataset_import_job(
       datasetImportJobArn = dataset_interactions_import_job_arn)['datasetImportJob']
   
   print('Name: ' + description['jobName'])
   print('ARN: ' + description['datasetImportJobArn'])
   print('Status: ' + description['status'])
   
   max_time = time.time() + 3*60*60 # 3 hours
   while time.time() < max_time:
       describe_dataset_import_job_response = personalize.describe_dataset_import_job(
           datasetImportJobArn = dataset_interactions_import_job_arn
       )
       status = describe_dataset_import_job_response["datasetImportJob"]['status']
       print("Interactions DatasetImportJob: {}".format(status))
       
       if status == "ACTIVE" or status == "CREATE FAILED":
           break
           
       time.sleep(60)
   ```

### Langkah 3: Buat solusi
<a name="getting-started-python-create-solution"></a>

Setelah mengimpor data, Anda membuat solusi dan versi solusi sebagai berikut. *Solusinya* berisi konfigurasi untuk melatih model dan *versi solusi* adalah model terlatih. 

1.  Buat solusi baru dengan kode berikut. Lulus yang berikut sebagai parameter: `dataset_group_arn` dari sebelumnya, nama untuk solusi, dan ARN untuk resep User-Personalization-v 2 ()`arn:aws:personalize:::recipe/aws-user-personalization-v2`. Simpan ARN solusi baru Anda untuk digunakan nanti. 

   ```
   create_solution_response = personalize.create_solution(
     name='solution name', 
     recipeArn= 'arn:aws:personalize:::recipe/aws-user-personalization-v2', 
     datasetGroupArn = 'dataset group arn'
   )
   solution_arn = create_solution_response['solutionArn']
   print('solution_arn: ', solution_arn)
   ```

1. Buat versi solusi dengan kode berikut. Lulus sebagai parameter `solution_arn` dari langkah sebelumnya. Kode berikut membuat versi solusi. Selama pelatihan, kode menggunakan [DescribeSolutionVersion](API_DescribeSolutionVersion.md) operasi untuk mengambil status versi solusi. Saat pelatihan selesai, metode mengembalikan ARN versi solusi baru Anda. Simpan untuk digunakan nanti. 

   ```
   import time
   import json
   
   create_solution_version_response = personalize.create_solution_version(
       solutionArn = solution_arn
   )
   
   solution_version_arn = create_solution_version_response['solutionVersionArn']
   print(json.dumps(create_solution_version_response, indent=2))
   
   max_time = time.time() + 3*60*60 # 3 hours
   while time.time() < max_time:
       describe_solution_version_response = personalize.describe_solution_version(
           solutionVersionArn = solution_version_arn
       )
       status = describe_solution_version_response["solutionVersion"]["status"]
       print("SolutionVersion: {}".format(status))
       
       if status == "ACTIVE" or status == "CREATE FAILED":
           break
           
       time.sleep(60)
   ```

### Langkah 4: Buat kampanye
<a name="getting-started-python-deploy-solution"></a>

Setelah Anda membuat versi solusi, terapkan dengan kampanye Amazon Personalize. Gunakan kode berikut untuk membuat kampanye yang menerapkan versi solusi Anda. Lulus yang berikut ini sebagai parameter:`solution_version_arn`, dan nama untuk kampanye. Metode ini mengembalikan Nama Sumber Daya Amazon (ARN) kampanye baru Anda. Simpan untuk digunakan nanti.

```
response = personalize.create_campaign(
    name = 'campaign name',
    solutionVersionArn = 'solution version arn'
)

arn = response['campaignArn']

description = personalize.describe_campaign(campaignArn = arn)['campaign']
print('Name: ' + description['name'])
print('ARN: ' + description['campaignArn'])
print('Status: ' + description['status'])
```

### Langkah 5: Dapatkan rekomendasi
<a name="getting-started-python-get-recommendations"></a>

Setelah Anda membuat kampanye, Anda dapat menggunakannya untuk mendapatkan rekomendasi. Kode berikut menunjukkan cara mendapatkan rekomendasi dari kampanye dan mencetak ID setiap item yang direkomendasikan. Lewati ARN dari kampanye yang Anda buat di langkah sebelumnya. Untuk ID pengguna, Anda meneruskan ID pengguna yang dari data pelatihan, seperti`123`.

```
response = personalizeRt.get_recommendations(
    campaignArn = 'Campaign ARN',
    userId = '123',
    numResults = 10
)

print("Recommended items")
for item in response['itemList']:
    print (item['itemId'])
```

## Memulai menggunakan Amazon Personalize APIs dengan notebook Jupyter (IPython)
<a name="gs-jupyter-notebook"></a>

 [https://github.com/aws-samples/amazon-personalize-samples/tree/master/getting_started](https://github.com/aws-samples/amazon-personalize-samples/tree/master/getting_started) Notebook memandu Anda mengimpor data pelatihan, membuat solusi, membuat kampanye, dan mendapatkan rekomendasi menggunakan Amazon Personalize.

**catatan**  
 [Sebelum memulai dengan notebook, pastikan untuk membangun lingkungan Anda mengikuti langkah-langkah di README.md](https://github.com/aws-samples/amazon-personalize-samples/blob/master/getting_started/README.md)