Amazon Forecast 不再提供給新客戶。Amazon Forecast 的現有客戶可以繼續正常使用服務。[進一步了解」](https://aws.amazon.com/blogs/machine-learning/transition-your-amazon-forecast-usage-to-amazon-sagemaker-canvas/)

本文為英文版的機器翻譯版本，如內容有任何歧義或不一致之處，概以英文版為準。

# 入門 (Python 筆記本）
<a name="getting-started-python"></a>

**注意**  
如需使用 Python 筆記本的完整教學課程清單，請參閱 Amazon Forecast [Github 範例](https://github.com/aws-samples/amazon-forecast-samples/tree/master/notebooks)頁面。

若要開始使用 Amazon Forecast APIs搭配 Python 筆記本，請參閱[入門教學課程](https://github.com/aws-samples/amazon-forecast-samples/blob/main/notebooks/basic/Getting_Started/Amazon_Forecast_Quick_Start_Guide.ipynb)。本教學課程會引導您完成從頭到尾預測的核心步驟。

如需特定程序的基本教學課程，請參閱下列 Python 筆記本：

1. [準備資料](https://github.com/aws-samples/amazon-forecast-samples/blob/master/notebooks/basic/Tutorial/1.Importing_Your_Data.ipynb) - 準備資料集、建立資料集群組、定義結構描述，以及匯入資料集群組。

1. [建置預測器](https://github.com/aws-samples/amazon-forecast-samples/blob/master/notebooks/basic/Tutorial/2.Building_Your_Predictor.ipynb) - 根據您匯入預測資料集的資料訓練預測器。

1. [評估預測器](https://github.com/aws-samples/amazon-forecast-samples/blob/master/notebooks/basic/Tutorial/3.Evaluating_Your_Predictor.ipynb) - 取得預測、視覺化預測並比較結果。

1. [重新訓練預測器](https://github.com/aws-samples/amazon-forecast-samples/blob/main/notebooks/advanced/Retraining_AutoPredictor/Retraining.ipynb) - 使用更新的資料重新訓練現有的預測器。

1. [升級到 AutoPredictor](https://github.com/aws-samples/amazon-forecast-samples/blob/main/notebooks/basic/Upgrading_to_AutoPredictor/UpgradeToAutoPredictor.ipynb) - 升級舊版預測器到 AutoPredictor。

1. [清除](https://github.com/aws-samples/amazon-forecast-samples/blob/master/notebooks/basic/Tutorial/4.Cleanup.ipynb) - 刪除在教學課程中建立的資料集群組、預測器和預測。

若要使用 AutoML 重複入門教學課程，請參閱 [ AutoML 入門](https://github.com/aws-samples/amazon-forecast-samples/blob/master/notebooks/advanced/Getting_started_with_AutoML/Getting_started_with_AutoML.ipynb)。

## 進階教學課程
<a name="getting-started-python-advanced"></a>

如需更進階的教學課程，請參閱下列 Python 筆記本：
+ [項目層級可解釋性](https://github.com/aws-samples/amazon-forecast-samples/blob/main/notebooks/advanced/Item_Level_Explainability/Item_Level_Explanability.ipynb) - 了解資料集屬性如何影響特定時間序列和時間點的預測。
+ [比較多個模型 ](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 建立預測器，並透過視覺化結果來比較其效能。
+ [冷啟動預測](https://github.com/aws-samples/amazon-forecast-samples/blob/master/notebooks/advanced/Forecast%20with%20Cold%20Start%20Items/Forecast%20with%20Cold%20Start%20Items.ipynb) - 使用項目中繼資料和 DeepAR\$1 演算法來預測冷啟動案例 （當幾乎沒有歷史資料時）。
+ [整合相關的時間序列資料集](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) - 使用相關的時間序列資料集來改善模型的準確性。
+ [整合項目中繼資料](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) - 使用項目中繼資料來改善模型的準確性。
+ [使用天氣索引](https://github.com/aws-samples/amazon-forecast-samples/tree/master/notebooks/advanced/Weather_index) - 在訓練預測器時，使用天氣索引來整合歷史和預測天氣資訊。
+ [執行假設分析](https://github.com/aws-samples/amazon-forecast-samples/blob/master/notebooks/advanced/WhatIf_Analysis/WhatIf_Analysis.ipynb) - 探索不同的定價案例，並評估其如何影響需求。
+ [評估項目層級準確性](https://github.com/aws-samples/amazon-forecast-samples/blob/master/notebooks/advanced/Item_Level_Accuracy/Item_Level_Accuracy_Using_Bike_Example.ipynb) - 匯出回溯測試指標和預測，並評估預測器的項目層級效能。