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 do grupo de conjuntos de dados de domínio (SDK para Python (Boto3))
<a name="getting-started-domain-python"></a>

Este tutorial mostra como usar o SDK para Python (Boto3) para criar um grupo de conjuntos de dados de domínio para o domínio VIDEO\_ON\_DEMAND. Neste tutorial, você cria um recomendador para o caso de uso *Principais opções para você*.

Depois de concluir este exercício, exclua os recursos que você criou para evitar cobranças desnecessárias. Para obter mais informações, consulte [Requisitos para excluir recursos do Amazon Personalize](deleting-resources.md). 

**Topics**
+ [Pré-requisitos](#gs-sdk-domain-prerequisites)
+ [Tutorial](#gs-python-tutorial)
+ [Começando a usar o Amazon Personalize APIs com notebooks Jupyter (IPython)](#gs-jupyter-domain-notebook)

## Pré-requisitos
<a name="gs-sdk-domain-prerequisites"></a>

Veja a seguir as etapas obrigatórias para usar os exemplos do Python neste guia:
+ Conclua [Pré-requisitos de conceitos básicos](gs-prerequisites.md) para configurar as permissões necessárias e criar os dados de treinamento. Se estiver usando seus próprios dados de origem, verifique se eles estão formatados de acordo com os requisitos.
+ Configure seu AWS SDK para Python (Boto3) ambiente conforme especificado em[Configurando o AWS SDKs](aws-personalize-set-up-sdks.md).

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

Nas etapas a seguir, você vai verificar seu ambiente e criar clientes do SDK para Python (Boto3) para o Amazon Personalize. Em seguida, você vai importar dados, criar um recomendador para o caso de uso *Principais opções para você* e receber recomendações.

### Etapa 1: Verificar seu ambiente Python e criar clientes do boto3
<a name="gs-python-domain-verify-environment"></a>

Depois de concluir as etapas obrigatórias, execute o seguinte exemplo de Python para confirmar que seu ambiente está configurado corretamente. Esse código também cria os clientes do boto3 do Amazon Personalize que serão usados neste tutorial. Se o seu ambiente for configurado corretamente, uma lista das fórmulas disponíveis será exibida e você poderá executar outros exemplos neste tutorial.

```
import boto3

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

response = personalize.list_recipes()

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

### Etapa 2: Importar dados
<a name="getting-started-python-domain-import-dataset"></a>

Depois de criar seus clientes do boto3 do Amazon Personalize e verificar seu ambiente, importe os dados históricos que você gerou ao concluir [Pré-requisitos de conceitos básicos](gs-prerequisites.md). Para importar os dados históricos para o Amazon Personalize, faça o seguinte:

1. Use o código a seguir para criar um esquema no Amazon Personalize. Substitua `gs-domain-interactions-schema` por um nome para o esquema. 

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

1. Crie um grupo de conjuntos de dados com o seguinte código. Substitua `dataset group name` por um nome para o grupo de conjuntos de dados.

   ```
   response = personalize.create_dataset_group(
     name = '{{dataset group name}}',
     domain = 'VIDEO_ON_DEMAND'
   )
   dsg_arn = response['datasetGroupArn']
   
   description = personalize.describe_dataset_group(datasetGroupArn = dsg_arn)['datasetGroup']
   
   print('Name: ' + description['name'])
   print('ARN: ' + description['datasetGroupArn'])
   print('Status: ' + description['status'])
   ```

1. Crie um conjunto de dados de interações com itens no novo grupo de conjuntos de dados com o código a seguir. Nomeie o conjunto de dados e informe `schema_arn` e `dataset_group_arn` das etapas anteriores.

   ```
   response = personalize.create_dataset(
       name = '{{interactions-dataset-name}}',
       schemaArn = interactions_schema_arn,
       datasetGroupArn = dsg_arn,
       datasetType = 'INTERACTIONS'
   )
   
   dataset_arn = response['datasetArn']
   ```

1. Importe seus dados com um trabalho de importação do conjunto de dados com o código a seguir. O código usa o método describe\_dataset\_import\_job para rastrear o status do trabalho. 

   Envie as seguintes informações como parâmetros: um nome para o trabalho, o `dataset_arn` da etapa anterior, o caminho do bucket do Amazon S3 (`s3://{{bucket name}}/{{folder name}}/ratings.csv`) onde você salvou os dados de treinamento e o ARN do seu perfil de serviço de IAM. Você criou esse perfil como parte de [Pré-requisitos de conceitos básicos](gs-prerequisites.md). O Amazon Personalize precisa de permissão para acessar o bucket. Para saber como conceder acesso, consulte [Como conceder permissão ao Amazon Personalize para acessar recursos do 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}}'
   )
   
   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)
   ```

### Etapa 4: Criar um recomendador
<a name="domain-gs-py-create-recommender"></a>

Depois que o trabalho de importação do conjunto de dados for concluído, você poderá criar um recomendador. Use o código a seguir para criar um recomendador. Envie as seguintes informações como parâmetros: um nome para o recomendador, o nome do recurso da Amazon (ARN) do seu grupo de conjuntos de dados e `arn:aws:personalize:::recipe/aws-vod-top-picks` para o ARN da fórmula. O código usa o método describe\_recomender para rastrear o status do recomendador.

```
import time
create_recommender_response = personalize.create_recommender(
  name = 'gs-python-top-picks',
  recipeArn = 'arn:aws:personalize:::recipe/aws-vod-top-picks',
  datasetGroupArn = dsg_arn     
)
recommender_arn = create_recommender_response['recommenderArn']

print('Recommender ARN:' + recommender_arn)
max_time = time.time() + 3*60*60 # 3 hours
while time.time() < max_time:

    version_response = personalize.describe_recommender(
        recommenderArn = recommender_arn
    )
    status = version_response["recommender"]["status"]

    if status == "ACTIVE":
        print("Creation succeeded for {}".format(recommender_arn))
        
    elif status == "CREATE FAILED":
        print("Creation failed for {}".format(recommender_arn))

    if status == "ACTIVE":
        break
    else:
        print("Recommender creation is still in progress")
        
    time.sleep(60)
```

### Etapa 5: Obter recomendações
<a name="domain-gs-py-get-recommendations"></a>

Depois de criar um recomendador, você poderá usá-lo para receber recomendações com código a seguir. Envie como parâmetros o nome do recurso da Amazon (ARN) do recomendador que você criou na etapa anterior e um ID do usuário (por exemplo, `123`). O método imprime a lista de itens recomendados. 

```
response = personalizeRt.get_recommendations(
    recommenderArn = "arn:aws:personalize:us-west-2:014025156336:recommender/gs-python-top-picks-89",
    userId = '123'
)
print("Recommended items")
for item in response['itemList']:
    print (item['itemId'])
```

## Começando a usar o Amazon Personalize APIs com notebooks Jupyter (IPython)
<a name="gs-jupyter-domain-notebook"></a>

 Para criar grupos de conjuntos de dados de domínio com cadernos Jupyter, clone ou baixe uma série de cadernos encontrados na pasta [notebooks\_managed\_domains](https://github.com/aws-samples/amazon-personalize-samples/tree/master/getting_started/notebooks_managed_domains) do repositório de [amostras do Amazon Personalize](https://github.com/aws-samples/amazon-personalize-samples). Os cadernos mostram como importar dados de treinamento, criar um recomendador e obter recomendações com o Amazon Personalize.

**nota**  
 Antes de começar a usar os cadernos, crie seu ambiente seguindo as etapas em [README.md](https://github.com/aws-samples/amazon-personalize-samples/blob/master/getting_started/README.md)