As traduções são geradas por tradução automática. Em caso de conflito entre o conteúdo da tradução e da versão original em inglês, a versão em inglês prevalecerá.
Conceitos básicos (cadernos Python)
nota
Para obter uma lista completa de tutoriais que usam cadernos Python, consulte a página de exemplos do Github
,Para começar a usar as APIs do Amazon Forecast com notebooks Python, consulte o Tutorial de conceitos básicos
Para obter tutoriais básicos de processos específicos, consulte os seguintes cadernos Python:
-
Preparing data:
prepare um conjunto de dados, crie um grupo de conjuntos de dados, defina o esquema e importe o grupo de conjuntos de dados. -
Building your predictor:
treine um preditor com base nos dados que você importou para o conjunto de dados do Forecast. -
Evaluating predictors:
obtenha previsões, visualize previsões e compare resultados. -
Retraining predictors:
treine novamente um preditor existente com dados atualizados. -
Upgrade to AutoPredictor:
faça upgrade dos preditores herdados para o AutoPredictor. -
Clean Up
- Exclua grupos de conjuntos de dados, preditores e previsões criados durante os tutoriais.
Para repetir o tutorial de conceitos básicos do AutoML, consulte Conceitos básicos do AutoML
Tutoriais avançados
Para obter tutoriais mais avançados, consulte os seguintes cadernos Python:
-
Item-level Explainability:
entenda como os atributos de conjunto de dados afetam as previsões de séries temporais e pontos no tempo específicos. -
Comparing multiple models:
crie preditores usando Prophet, ETS e DeepAR+ e compare o desempenhos deles visualizando os resultados. -
Cold start forecasting:
use metadados de itens e o algoritmo DeepAR+ para prever cenários de inicialização a frio (quando há pouco ou nenhum dado histórico). -
Incorporating related time-series datasets:
use conjuntos de dados de séries temporais relacionados para melhorar a precisão do seu modelo. -
Incorporating item metadata:
use metadados de itens para melhorar a precisão do seu modelo. -
Using the Weather Index:
use o Weather Index para incorporar informações meteorológicas históricas e projetadas ao treinar seus preditores. -
Performing What-if analysis:
explore diferentes cenários de preços e avalie como isso afetará a demanda. -
Evaluate item-level accuracy:
exporte métricas e previsões de backtest e avalie o desempenho do preditor no nível do item.
