/lab-aws-sagemaker-canvas-estoque

PESSO DESCULPA POR QUE NÃO FIZ O TRABALHO QUE ME FOI EXIGIDO EU ATE ENTENDI TODAS AS AULAS DESSE CURSO POREM

NÃO CONSIGO FAZER OS EXERCICIO QUE O CURSO PEDE POIS PRECISA DE UM CARTÃO DE CREDITO PARA FAZER O CADASTRO

NA PLATAFORMA E EU NÃO TENHO UM CARTÃO PARA FAZER O CADASTRO

📊 Previsão de Estoque Inteligente na AWS com SageMaker Canvas

Bem-vindo ao desafio de projeto "Previsão de Estoque Inteligente na AWS com SageMaker Canvas. Neste Lab DIO, você aprenderá a usar o SageMaker Canvas para criar previsões de estoque baseadas em Machine Learning (ML). Siga os passos abaixo para completar o desafio!

📋 Pré-requisitos

Antes de começar, certifique-se de ter uma conta na AWS. Se precisar de ajuda para criar sua conta, confira nosso repositório AWS Cloud Quickstart.

🎯 Objetivos Deste Desafio de Projeto (Lab)

image

  • Dê um fork neste projeto e reescreva este README.md. Sinta-se à vontade para detalhar todo o processo de criação do seu Modelo de ML para uma "Previsão de Estoque Inteligente".
  • Para isso, siga o [passo a passo] descrito a seguir e evolua as suas habilidades em ML no-code com o Amazon SageMaker Canvas.
  • Ao concluir, envie a URL do seu repositório com a solução na plataforma da DIO.

🚀 Passo a Passo

1. Selecionar Dataset

  • Navegue até a pasta datasets deste repositório. Esta pasta contém os datasets que você poderá escolher para treinar e testar seu modelo de ML. Sinta-se à vontade para gerar/enriquecer seus próprios datasets, quanto mais você se engajar, mais relevante esse projeto será em seu portfólio.
  • Escolha o dataset que você usará para treinar seu modelo de previsão de estoque.
  • Faça o upload do dataset no SageMaker Canvas.

2. Construir/Treinar

  • No SageMaker Canvas, importe o dataset que você selecionou.
  • Configure as variáveis de entrada e saída de acordo com os dados.
  • Inicie o treinamento do modelo. Isso pode levar algum tempo, dependendo do tamanho do dataset.

3. Analisar

  • Após o treinamento, examine as métricas de performance do modelo.
  • Verifique as principais características que influenciam as previsões.
  • Faça ajustes no modelo se necessário e re-treine até obter um desempenho satisfatório.

4. Prever

  • Use o modelo treinado para fazer previsões de estoque.
  • Exporte os resultados e analise as previsões geradas.
  • Documente suas conclusões e qualquer insight obtido a partir das previsões.

🤔 Dúvidas?

Esperamos que esta experiência tenha sido enriquecedora e que você tenha aprendido mais sobre Machine Learning aplicado a problemas reais. Se tiver alguma dúvida, não hesite em abrir uma issue neste repositório ou entrar em contato com a equipe da DIO.