신규 고객은 Amazon Forecast를 더 이상 사용할 수 없습니다. Amazon Forecast의 기존 고객은 서비스를 정상적으로 계속 사용할 수 있습니다. [자세히 알아보기](https://aws.amazon.com/blogs/machine-learning/transition-your-amazon-forecast-usage-to-amazon-sagemaker-canvas/)
기계 번역으로 제공되는 번역입니다. 제공된 번역과 원본 영어의 내용이 상충하는 경우에는 영어 버전이 우선합니다.
# 시작하기(Python 노트북)
**참고**
Python 노트북을 사용하는 튜토리얼의 전체 목록은 Amazon Forecast [Github 샘플](https://github.com/aws-samples/amazon-forecast-samples/tree/master/notebooks) 페이지를 참조하세요.
Python 노트북에서 Amazon Forecast API 사용을 시작하려면 [시작하기 튜토리얼](https://github.com/aws-samples/amazon-forecast-samples/blob/main/notebooks/basic/Getting_Started/Amazon_Forecast_Quick_Start_Guide.ipynb)을 참조하세요. 이 튜토리얼은 Forecast의 핵심 단계를 처음부터 끝까지 안내합니다.
특정 프로세스에 대한 기본 튜토리얼은 다음 Python 노트북을 참조하세요.
1. [데이터 준비](https://github.com/aws-samples/amazon-forecast-samples/blob/master/notebooks/basic/Tutorial/1.Importing_Your_Data.ipynb) - 데이터 세트를 준비하고, 데이터 세트 그룹을 생성하고, 스키마를 정의하고, 데이터 세트 그룹을 가져옵니다.
1. [예측기 구축](https://github.com/aws-samples/amazon-forecast-samples/blob/master/notebooks/basic/Tutorial/2.Building_Your_Predictor.ipynb) - Forecast 데이터 세트로 가져온 데이터를 기반으로 예측기를 훈련합니다.
1. [예측기 평가](https://github.com/aws-samples/amazon-forecast-samples/blob/master/notebooks/basic/Tutorial/3.Evaluating_Your_Predictor.ipynb) - 예측을 얻고, 예측을 시각화하고, 결과를 비교합니다.
1. [예측기 재훈련](https://github.com/aws-samples/amazon-forecast-samples/blob/main/notebooks/advanced/Retraining_AutoPredictor/Retraining.ipynb) - 업데이트된 데이터로 기존 예측기를 재훈련합니다.
1. [AutoPredictor로 업그레이드](https://github.com/aws-samples/amazon-forecast-samples/blob/main/notebooks/basic/Upgrading_to_AutoPredictor/UpgradeToAutoPredictor.ipynb) - 레거시 예측기를 AutoPredictor로 업그레이드합니다.
1. [정리](https://github.com/aws-samples/amazon-forecast-samples/blob/master/notebooks/basic/Tutorial/4.Cleanup.ipynb) - 튜토리얼 중에 생성한 데이터 세트 그룹, 예측기, 예측을 삭제합니다.
AutoML 시작하기 튜토리얼을 반복하려면 [AutoML 시작하기](https://github.com/aws-samples/amazon-forecast-samples/blob/master/notebooks/advanced/Getting_started_with_AutoML/Getting_started_with_AutoML.ipynb)를 참조하세요.
## 고급 튜토리얼
고급 튜토리얼은 다음 Python 노트북을 참조하세요.
+ [항목 수준 설명 가능성](https://github.com/aws-samples/amazon-forecast-samples/blob/main/notebooks/advanced/Item_Level_Explainability/Item_Level_Explanability.ipynb) - 데이터 세트 속성이 특정 시계열 및 시점의 예측에 어떤 영향을 미치는지 이해합니다.
+ [여러 모델 비교](https://github.com/aws-samples/amazon-forecast-samples/blob/master/notebooks/advanced/Compare_Multiple_Models/Compare_Multiple_Models.ipynb) - Prophet, ETS, DeepAR\$1를 사용하여 예측기를 생성하고 결과를 시각화하여 성능을 비교합니다.
+ [콜드 스타트 예측](https://github.com/aws-samples/amazon-forecast-samples/blob/master/notebooks/advanced/Forecast%20with%20Cold%20Start%20Items/Forecast%20with%20Cold%20Start%20Items.ipynb) - 항목 메타데이터와 DeepAr\$1 알고리즘을 사용하여 콜드 스타트 시나리오(과거 데이터가 거의 또는 전혀 없는 경우)를 예측합니다.
+ [관련 시계열 데이터 세트 통합](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) - 관련 시계열 데이터 세트를 사용하여 모델의 정확도를 개선합니다.
+ [항목 메타데이터 통합](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) - 항목 메타데이터를 사용하여 모델의 정확도를 개선합니다.
+ [날씨 지수 사용](https://github.com/aws-samples/amazon-forecast-samples/tree/master/notebooks/advanced/Weather_index) - 예측 변수를 훈련할 때 날씨 지수를 사용하면 과거 기상 정보와 예상 기상 정보를 통합할 수 있습니다.
+ [what-if 분석 수행](https://github.com/aws-samples/amazon-forecast-samples/blob/master/notebooks/advanced/WhatIf_Analysis/WhatIf_Analysis.ipynb) - 다양한 가격 책정 시나리오를 살펴보고 수요에 미치는 영향을 평가합니다.
+ [항목 수준 정확도 평가](https://github.com/aws-samples/amazon-forecast-samples/blob/master/notebooks/advanced/Item_Level_Accuracy/Item_Level_Accuracy_Using_Bike_Example.ipynb) - 백테스트 지표와 예측을 내보내고 예측기의 항목 수준 성능을 평가합니다.