Amazon Forecast 不再向新买家开放。Amazon Forecast 的现有客户可以继续照常使用该服务。[了解更多](https://aws.amazon.com/blogs/machine-learning/transition-your-amazon-forecast-usage-to-amazon-sagemaker-canvas/)

本文属于机器翻译版本。若本译文内容与英语原文存在差异，则一律以英文原文为准。

# 入门（Python 笔记本）
<a name="getting-started-python"></a>

**注意**  
有关使用 Python 笔记本的教程完整列表，请参阅 Amazon Forecast [Github 示例](https://github.com/aws-samples/amazon-forecast-samples/tree/master/notebooks)页面。

要开始在 Python 笔记本上 APIs 使用 Amazon Forecast，请参阅[入门教程](https://github.com/aws-samples/amazon-forecast-samples/blob/main/notebooks/basic/Getting_Started/Amazon_Forecast_Quick_Start_Guide.ipynb)。本教程将指导您从头到尾完成 Forecast 的核心步骤。

有关特定流程的基本教程，请参阅以下 Python 笔记本：

1. [准备数据](https://github.com/aws-samples/amazon-forecast-samples/blob/master/notebooks/basic/Tutorial/1.Importing_Your_Data.ipynb) - 准备数据集、创建数据集组、定义架构和导入数据集组。

1. [构建预测器](https://github.com/aws-samples/amazon-forecast-samples/blob/master/notebooks/basic/Tutorial/2.Building_Your_Predictor.ipynb) - 根据导入 Forecast 数据集的数据训练预测器。

1. [评估预测器](https://github.com/aws-samples/amazon-forecast-samples/blob/master/notebooks/basic/Tutorial/3.Evaluating_Your_Predictor.ipynb) - 获取预测、可视化预测并比较结果。

1. [重新训练预测器](https://github.com/aws-samples/amazon-forecast-samples/blob/main/notebooks/advanced/Retraining_AutoPredictor/Retraining.ipynb) - 使用更新的数据重新训练现有预测器。

1. [升级到 AutoPredictor-将](https://github.com/aws-samples/amazon-forecast-samples/blob/main/notebooks/basic/Upgrading_to_AutoPredictor/UpgradeToAutoPredictor.ipynb)传统预测变量升级到。 AutoPredictor

1. [清除](https://github.com/aws-samples/amazon-forecast-samples/blob/master/notebooks/basic/Tutorial/4.Cleanup.ipynb) - 删除在教程中创建的数据集组、预测器和预测。

要重复使用 AutoML 的入门教程，请参阅 [AutoML 入门](https://github.com/aws-samples/amazon-forecast-samples/blob/master/notebooks/advanced/Getting_started_with_AutoML/Getting_started_with_AutoML.ipynb)。

## 高级教程
<a name="getting-started-python-advanced"></a>

有关更多高级教程，请参阅以下 Python 笔记本：
+ [Item-Level Explainability](https://github.com/aws-samples/amazon-forecast-samples/blob/main/notebooks/advanced/Item_Level_Explainability/Item_Level_Explanability.ipynb) - 了解数据集属性如何影响特定时间序列和时间点的预测。
+ [比较多个模型](https://github.com/aws-samples/amazon-forecast-samples/blob/master/notebooks/advanced/Compare_Multiple_Models/Compare_Multiple_Models.ipynb) - 使用 Prophet、ETS 和 DeepAR\$1 创建预测器，并通过可视化结果来比较它们的性能。
+ [冷启动预测](https://github.com/aws-samples/amazon-forecast-samples/blob/master/notebooks/advanced/Forecast%20with%20Cold%20Start%20Items/Forecast%20with%20Cold%20Start%20Items.ipynb) - 使用项目元数据和 DeepAR\$1 算法预测冷启动情景（历史数据很少或根本没有）。
+ [合并相关时间序列数据集](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) - 使用相关时间序列数据集来提高模型的准确性。
+ [合并项目元数据](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) - 使用项目元数据来提高模型的准确性。
+ [使用天气指数](https://github.com/aws-samples/amazon-forecast-samples/tree/master/notebooks/advanced/Weather_index) - 在训练预测器时，使用天气指数来合并历史和预计的天气信息。
+ [执行假设分析](https://github.com/aws-samples/amazon-forecast-samples/blob/master/notebooks/advanced/WhatIf_Analysis/WhatIf_Analysis.ipynb) - 探索不同的定价情景并评估其对需求的影响。
+ [评估项目级别的准确性](https://github.com/aws-samples/amazon-forecast-samples/blob/master/notebooks/advanced/Item_Level_Accuracy/Item_Level_Accuracy_Using_Bike_Example.ipynb) - 导出回测指标和预测，并评估预测器的项目级性能。