O Amazon Forecast não está mais disponível para novos clientes. Os clientes existentes do Amazon Forecast podem continuar usando o serviço normalmente. [Saiba mais](https://aws.amazon.com/blogs/machine-learning/transition-your-amazon-forecast-usage-to-amazon-sagemaker-canvas/)
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](https://github.com/aws-samples/amazon-forecast-samples/tree/master/notebooks) do Amazon Forecast.
Para começar a usar o Amazon Forecast APIs com notebooks Python, consulte o Tutorial de [introdução](https://github.com/aws-samples/amazon-forecast-samples/blob/main/notebooks/basic/Getting_Started/Amazon_Forecast_Quick_Start_Guide.ipynb). O tutorial orienta você pelas etapas principais do Forecast do início ao fim.
Para obter tutoriais básicos de processos específicos, consulte os seguintes cadernos Python:
1. [Preparing data:](https://github.com/aws-samples/amazon-forecast-samples/blob/master/notebooks/basic/Tutorial/1.Importing_Your_Data.ipynb) prepare um conjunto de dados, crie um grupo de conjuntos de dados, defina o esquema e importe o grupo de conjuntos de dados.
1. [Building your predictor:](https://github.com/aws-samples/amazon-forecast-samples/blob/master/notebooks/basic/Tutorial/2.Building_Your_Predictor.ipynb) treine um preditor com base nos dados que você importou para o conjunto de dados do Forecast.
1. [Evaluating predictors:](https://github.com/aws-samples/amazon-forecast-samples/blob/master/notebooks/basic/Tutorial/3.Evaluating_Your_Predictor.ipynb) obtenha previsões, visualize previsões e compare resultados.
1. [Retraining predictors:](https://github.com/aws-samples/amazon-forecast-samples/blob/main/notebooks/advanced/Retraining_AutoPredictor/Retraining.ipynb) treine novamente um preditor existente com dados atualizados.
1. [Atualize para AutoPredictor](https://github.com/aws-samples/amazon-forecast-samples/blob/main/notebooks/basic/Upgrading_to_AutoPredictor/UpgradeToAutoPredictor.ipynb) - Atualize os preditores legados para AutoPredictor.
1. [Clean Up](https://github.com/aws-samples/amazon-forecast-samples/blob/master/notebooks/basic/Tutorial/4.Cleanup.ipynb) - 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](https://github.com/aws-samples/amazon-forecast-samples/blob/master/notebooks/advanced/Getting_started_with_AutoML/Getting_started_with_AutoML.ipynb).
## Tutoriais avançados
Para obter tutoriais mais avançados, consulte os seguintes cadernos Python:
+ [Item-level Explainability:](https://github.com/aws-samples/amazon-forecast-samples/blob/main/notebooks/advanced/Item_Level_Explainability/Item_Level_Explanability.ipynb) entenda como os atributos de conjunto de dados afetam as previsões de séries temporais e pontos no tempo específicos.
+ [Comparing multiple models:](https://github.com/aws-samples/amazon-forecast-samples/blob/master/notebooks/advanced/Compare_Multiple_Models/Compare_Multiple_Models.ipynb) crie preditores usando Prophet, ETS e DeepAR\$1 e compare o desempenhos deles visualizando os resultados.
+ [Cold start forecasting:](https://github.com/aws-samples/amazon-forecast-samples/blob/master/notebooks/advanced/Forecast%20with%20Cold%20Start%20Items/Forecast%20with%20Cold%20Start%20Items.ipynb) use metadados de itens e o algoritmo DeepAR\$1 para prever cenários de inicialização a frio (quando há pouco ou nenhum dado histórico).
+ [Incorporating related time-series datasets:](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) use conjuntos de dados de séries temporais relacionados para melhorar a precisão do seu modelo.
+ [Incorporating item metadata:](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) use metadados de itens para melhorar a precisão do seu modelo.
+ [Using the Weather Index:](https://github.com/aws-samples/amazon-forecast-samples/tree/master/notebooks/advanced/Weather_index) use o Weather Index para incorporar informações meteorológicas históricas e projetadas ao treinar seus preditores.
+ [Performing What-if analysis:](https://github.com/aws-samples/amazon-forecast-samples/blob/master/notebooks/advanced/WhatIf_Analysis/WhatIf_Analysis.ipynb) explore diferentes cenários de preços e avalie como isso afetará a demanda.
+ [Evaluate item-level accuracy:](https://github.com/aws-samples/amazon-forecast-samples/blob/master/notebooks/advanced/Item_Level_Accuracy/Item_Level_Accuracy_Using_Bike_Example.ipynb) exporte métricas e previsões de backtest e avalie o desempenho do preditor no nível do item.