Amazon Forecast non è più disponibile per i nuovi clienti. I clienti esistenti di Amazon Forecast possono continuare a utilizzare il servizio normalmente. [Scopri di più»](https://aws.amazon.com/blogs/machine-learning/transition-your-amazon-forecast-usage-to-amazon-sagemaker-canvas/)
Le traduzioni sono generate tramite traduzione automatica. In caso di conflitto tra il contenuto di una traduzione e la versione originale in Inglese, quest'ultima prevarrà.
# Guida introduttiva (taccuini Python)
**Nota**
[Per un elenco completo dei tutorial che utilizzano i notebook Python, consulta la pagina Amazon Forecast Github Samples.](https://github.com/aws-samples/amazon-forecast-samples/tree/master/notebooks)
[Per iniziare a usare Amazon Forecast APIs with Python notebooks, consulta il Getting Started Tutorial.](https://github.com/aws-samples/amazon-forecast-samples/blob/main/notebooks/basic/Getting_Started/Amazon_Forecast_Quick_Start_Guide.ipynb) Il tutorial ti guida attraverso i passaggi principali di Forecast dall'inizio alla fine.
Per i tutorial di base per processi specifici, fate riferimento ai seguenti taccuini Python:
1. [Preparazione dei dati](https://github.com/aws-samples/amazon-forecast-samples/blob/master/notebooks/basic/Tutorial/1.Importing_Your_Data.ipynb): prepara un set di dati, crea un gruppo di set di dati, definisce lo schema e importa il gruppo di set di dati.
1. [Crea il tuo predittore](https://github.com/aws-samples/amazon-forecast-samples/blob/master/notebooks/basic/Tutorial/2.Building_Your_Predictor.ipynb): addestra un predittore sui dati che hai importato nel tuo set di dati Forecast.
1. [Valutazione dei predittori](https://github.com/aws-samples/amazon-forecast-samples/blob/master/notebooks/basic/Tutorial/3.Evaluating_Your_Predictor.ipynb): ottieni previsioni, visualizza previsioni e confronta i risultati.
1. [Riqualificazione dei predittori: riqualifica un predittore](https://github.com/aws-samples/amazon-forecast-samples/blob/main/notebooks/advanced/Retraining_AutoPredictor/Retraining.ipynb) esistente con dati aggiornati.
1. [Esegui l'aggiornamento a AutoPredictor](https://github.com/aws-samples/amazon-forecast-samples/blob/main/notebooks/basic/Upgrading_to_AutoPredictor/UpgradeToAutoPredictor.ipynb): aggiorna i predittori precedenti a. AutoPredictor
1. [Pulisci](https://github.com/aws-samples/amazon-forecast-samples/blob/master/notebooks/basic/Tutorial/4.Cleanup.ipynb): elimina i gruppi di set di dati, i predittori e le previsioni creati durante i tutorial.
Per ripetere il tutorial Getting Started con AutoML, consulta [Getting Started with AutoML](https://github.com/aws-samples/amazon-forecast-samples/blob/master/notebooks/advanced/Getting_started_with_AutoML/Getting_started_with_AutoML.ipynb).
## Tutorial avanzati
Per tutorial più avanzati, consulta i seguenti taccuini Python:
+ [Spiegabilità a livello di articolo:](https://github.com/aws-samples/amazon-forecast-samples/blob/main/notebooks/advanced/Item_Level_Explainability/Item_Level_Explanability.ipynb) scopri come gli attributi dei set di dati influiscono sulle previsioni per serie temporali e punti temporali specifici.
+ [Confronto di più modelli](https://github.com/aws-samples/amazon-forecast-samples/blob/master/notebooks/advanced/Compare_Multiple_Models/Compare_Multiple_Models.ipynb): crea predittori utilizzando Prophet, ETS e DeepAr\$1 e confronta le loro prestazioni visualizzando i risultati.
+ [Previsione dell'avvio a freddo](https://github.com/aws-samples/amazon-forecast-samples/blob/master/notebooks/advanced/Forecast%20with%20Cold%20Start%20Items/Forecast%20with%20Cold%20Start%20Items.ipynb): utilizza i metadati degli articoli e l'algoritmo DeepAr\$1 per prevedere scenari con avvio a freddo (quando i dati storici sono scarsi o nulli).
+ [Incorporazione di set di dati relativi a serie temporali: utilizza set](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) di dati di serie temporali correlati per migliorare la precisione del modello.
+ [Incorporazione dei metadati degli elementi: utilizza i metadati](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) degli elementi per migliorare la precisione del modello.
+ [Utilizzo dell'indice meteorologico: utilizza l'indice](https://github.com/aws-samples/amazon-forecast-samples/tree/master/notebooks/advanced/Weather_index) meteorologico per incorporare informazioni meteorologiche storiche e previste durante l'addestramento dei predittori.
+ [Esecuzione dell'analisi what-if](https://github.com/aws-samples/amazon-forecast-samples/blob/master/notebooks/advanced/WhatIf_Analysis/WhatIf_Analysis.ipynb): esplora diversi scenari di prezzo e valuta in che modo influiscono sulla domanda.
+ [Valuta la precisione a livello di articolo](https://github.com/aws-samples/amazon-forecast-samples/blob/master/notebooks/advanced/Item_Level_Accuracy/Item_Level_Accuracy_Using_Bike_Example.ipynb): esporta le metriche e le previsioni dei backtest e valuta le prestazioni a livello di articolo del tuo predittore.