DESAFIO DIO - Previsão de Estoque Inteligente na AWS com Sagemaker Canvas
Projeto: Previsão de Estoque Inteligente na AWS com SageMaker Canvas
Introdução:
Neste projeto, usaremos o SageMaker Canvas, um serviço de ML de baixo código da AWS, para criar um modelo de previsão de estoque. Este modelo nos ajudará a prever a demanda futura de produtos com base em dados históricos de vendas e outros fatores relevantes.
Pré-requisitos:
Conta da AWS Conhecimento básico de ML Experiência com o SageMaker Canvas (opcional) Passos:
- Criar um notebook do SageMaker:
import sagemaker from sagemaker.canvas import * 2. Importar as bibliotecas necessárias:
import pandas as pd from sklearn.model_selection import train_test_split from sklearn.linear_model import LinearRegression from sklearn.metrics import mean_squared_error, mean_absolute_error 3. Carregar os dados:
Carregue os dados de vendas históricos em um DataFrame do Pandas. Certifique-se de que os dados contenham as seguintes colunas:
- product_id
- sales_date
- sales_quantity
- Explorar os dados:
df.head() df.describe() df.plot(x='sales_date', y='sales_quantity') 5. Criar o modelo de previsão:
X_train, X_test, y_train, y_test = train_test_split(df[['sales_date']], df['sales_quantity'], test_size=0.2, random_state=42)
model = LinearRegression() model.fit(X_train, y_train) 6. Avaliar o modelo:
y_pred = model.predict(X_test)
mse = mean_squared_error(y_test, y_pred) mae = mean_absolute_error(y_test, y_pred)
print('MSE:', mse) print('MAE:', mae) 7. Implantar o modelo:
endpoint_name = 'previsao-estoque' role = sagemaker.get_execution_role()
endpoint = sagemaker.Endpoint(endpoint_name, role, 'linear-learner') endpoint.deploy(model, initial_instance_count=1) Conclusão:
Neste projeto, criamos um modelo de previsão de estoque usando o SageMaker Canvas. Este modelo pode ser usado para prever a demanda futura de produtos com base em dados históricos de vendas e outros fatores relevantes. Isso pode ajudar as empresas a otimizar seus níveis de estoque e reduzir custos.