download sulie - download do código-fonte sulie

sulie

Outro código-fonte

1.0.0

Baixar

Sulie - Modelos básicos para previsão de séries temporais

Sulie oferece modelos básicos de última geração para previsão de séries temporais, permitindo previsões precisas e zero-shot com configuração mínima. Nossos modelos baseados em transformadores automatizam o processo, eliminando a necessidade de treinamento manual e configurações complexas.

Documentação · Reportar bug · Junte-se ao nosso Slack · Twitter

Características

Previsão Zero-Shot : Obtenha previsões precisas instantaneamente com nosso modelo básico, sem exigir treinamento ou pré-processamento de dados históricos.
Ajuste fino automático : melhore o desempenho do modelo com uma única chamada de API. Gerenciamos todo o pipeline de treinamento, proporcionando transparência na seleção de modelos e métricas.
Suporte a covariáveis (empresa): conduza previsões multivariadas incorporando covariáveis dinâmicas e estáticas sem necessidade de engenharia de recursos.
Infraestrutura gerenciada : concentre-se na previsão enquanto gerenciamos todos os aspectos de implantação, dimensionamento e manutenção de maneira integrada.
Conjuntos de dados centralizados : envie dados de séries temporais continuamente por meio de nosso SDK Python, criando um repositório centralizado e com controle de versão, acessível em toda a sua organização.

Começando

Para começar a usar o SDK Sulie, você precisará de uma chave de API, que pode ser gerada no Painel Sulie :

Visite o Painel Sulie.
Faça login na sua conta Sulie.
Navegue até a seção Chaves de API .
Gere uma nova chave de API e copie-a para usar no SDK.

Com sua chave de API pronta, você está pronto para iniciar a previsão.

Instalação

Para instalar o Sulie SDK, basta executar:

pip install sulie==1.0.6

Exemplo de início rápido

Após a instalação, inicialize o SDK usando sua chave de API para iniciar a previsão com o Mimosa:

 from sulie import Sulie

# Initialize the Sulie client
client = Sulie ( api_key = "YOUR_API_KEY" )

⚡️ Recursos

1. Previsão com Mimosa

Gere previsões precisas de séries temporais usando os recursos de inferência zero-shot do Mimosa. Essa abordagem é ideal quando você precisa de previsões rápidas e confiáveis sem treinar o modelo.

 import pandas as pd

# Example time series data
df = pd . DataFrame ({
    'timestamp' : pd . date_range ( start = '2023-01-01' , periods = 1000 , freq = 'H' ),
    'demand' : [ ... ],           # Demand data
    'location' : [ 'Plant A' , ...] # Data for different locations
})

# Forecast demand for each location over the next 24 hours
forecast = client . forecast (
    dataset = df ,
    target = 'demand' ,
    group_by = 'location' ,
    date = 'timestamp' ,
    frequency = 'H' ,
    horizon = 24 ,            # Predict 24 hours ahead
    num_samples = 100        # Generate probabilistic forecasts
)
print ( forecast )

O objeto Forecast inclui três listas: low , median e high , correspondendo a diferentes níveis de certeza nas previsões. Isso ajuda você a compreender a gama de resultados possíveis, do conservador ao otimista.

Você também pode visualizar as previsões diretamente chamando a função plot:

 forecast . plot ()

Isso gera rapidamente um gráfico mostrando os intervalos de previsão, facilitando a identificação de tendências e variabilidade nos resultados. Perfeito para uma análise rápida e clara.

Parâmetros de previsão

Nome	Descrição	Padrão
`dataset`	Um `Dataset` ou `pd.DataFrame` contendo dados de série temporal.	Obrigatório
`target`	Nome da coluna da variável de previsão.	Obrigatório
`group_by`	Nome da coluna para agrupar dados (por exemplo, locais diferentes).	`None`
`date`	Nome da coluna do carimbo de data/hora.	`None`
`frequency`	Frequência da série temporal (por exemplo, `H` para horária).	`None`
`horizon`	Etapas de tempo para prever o futuro.	`24`
`num_samples`	Número de amostras de previsão probabilística.	`100`

2. Ajuste fino para previsões personalizadas

Com o ajuste fino automático, você pode otimizar o Mimosa para conjuntos de dados e casos de negócios exclusivos. O processo de ajuste fino utiliza Perda Quantílica Ponderada (WQL) para avaliação, garantindo alta precisão.

 # Fine-tune Mimosa on custom dataset
fine_tune_job = client . fine_tune (
    dataset = df ,
    target = "demand" ,
    description = "Fine-tune for Plant A demand prediction"
)

# Check the fine-tuning job status
print ( f"Job status: { fine_tune_job . status } " )

Parâmetros de ajuste fino

Nome	Descrição	Padrão
`dataset`	Um `Dataset` ou `pd.DataFrame` com dados de série temporal.	Obrigatório
`target`	Variável de destino para otimização.	Obrigatório
`group_by`	Nome da coluna pela qual agrupar a série DataFrame.	`None`
`description`	Descrição do trabalho de ajuste fino.	`None`

Após a conclusão do ajuste fino, o modelo é implantado automaticamente e fica disponível para previsão.

3. Gerenciando conjuntos de dados

A API Dataset da Sulie permite gerenciar e versionar seus conjuntos de dados, tornando-os acessíveis para previsão e ajuste fino entre equipes.

 # Upload a dataset to Sulie
dataset = client . upload_dataset (
    name = "product-sales-data-v1" ,
    df = df ,
    mode = "append"  # Choose 'append' or 'overwrite'
)

# List available datasets
datasets = client . list_datasets ()
print ( f"Available datasets: { datasets } " )

Funções de gerenciamento de conjunto de dados

Upload : armazene e versione seus dados para fácil acesso e atualizações.
Lista : recupera uma lista de conjuntos de dados carregados.
Atualizar : anexe ou substitua dados de um conjunto de dados existente.

Observação

Os conjuntos de dados são um recurso opcional. Para fazer previsões ou até mesmo ajustar um modelo básico, você também pode passar um DataFrame do Pandas para as funções de forecast e fine_tune .

4. Previsão com modelos personalizados

Modelos ajustados podem ser selecionados para novas previsões usando list_custom_models ou get_model .

 # List custom and fine-tuned models
custom_models = client . list_custom_models ()

# Select and forecast with a fine-tuned model
model_name = custom_models [ 0 ]. name
custom_model = client . get_model ( model_name )

# Forecast using the selected model
forecast_custom = custom_model . forecast (
    dataset = df ,
    target = 'demand' ,
    group_by = 'location' ,
    date = 'timestamp' ,
    frequency = 'H' ,
    horizon = 24 ,
    num_samples = 50
)
print ( forecast_custom )