Amazon MLS-C01: Zaman Serileri ve Tahminleme — Çalışma kılavuzu

By Laurynas Brazys · 26 July 2026 · #amazon #mls-c01 #certification #exam-prep #study-guide

Şunun bir parçası: AWS Machine Learning Specialty MLS-C01 — Çalışma kılavuzu. Doğrulanmış cevaplarla şurada pratik yapın: Amazon sınav merkezi, veya şurada süreli deneme sınavları çözün: ExamRoll.io.

Algoritma seçimi ve her bir yaklaşımın ne zaman kullanılacağı

Doğru tahminleme modelini seçmek, veri şekli ve hedefle başlar. ARIMA/SARIMA gibi klasik tek değişkenli yaklaşımlar, uzun bir geçmişe ve yorumlanabilir mevsimsel terimlere sahip, iyi davranışlı tek bir seriniz olduğunda doğru seçim olmaya devam eder; bunları statsmodels kullanarak bir SageMaker eğitim betiğinde uygulayabilir veya SageMaker Studio’da etkileşimli olarak deneyler yürütebilirsiniz. Prophet tarzı ayrıştırılabilir modeller, iş odaklı tatil etkilerinin ve çoklu mevsimselliklerin (günlük/haftalık/yıllık) açıkça modellenmesi ve yorumlanması gerektiğinde değerlidir; bunlar genellikle notebook’larda prototiplenir ve SageMaker’da üretime alınabilir. Ölçekte olasılıksal, çoklu seri tahminlemesi için, ilişkili zaman serileri arasında öğrenen ve kantil tahminleri üreten DeepAR’ı (SageMaker yerleşik algoritması veya Amazon Forecast’in DeepAR+ sürümü) kullanın. Önemli yapılandırma seçenekleri arasında time_freq, prediction_length ve context_length ayarlarının yapılması (context_length genellikle >= prediction_length olmalıdır), uygun bir olabilirlik (ağır kuyruklar için studentT, sayım verileri/aralıklı talep için negatif-binom), ve kovaryetler için use_feat_dynamic_real veya use_feat_static_cat seçeneklerinin etkinleştirilmesi yer alır. Yorumlanabilirlik ve tek serili teşhisler gerektiğinde klasik modelleri kullanın; çok sayıda ilişkili seriniz olduğunda ve kalibre edilmiş olasılıksal çıktılara ve yerleşik ölçeklendirmeye ihtiyaç duyduğunuzda DeepAR/Amazon Forecast’i tercih edin.

Veri hazırlama: mevsimsellik, kovaryetler ve eksik değerler

İyi tahminler, zaman damgalarının, frekansın ve kovaryetlerin dikkatli bir şekilde hizalanmasını gerektirir. Zaman damgalarını her zaman tutarlı bir saat dilimine ve frekansa normalleştirin (modeller için time_freq ayarını yapın). Bilinen mevsimselliği ve iş olaylarını, tatil göstergeleri ve özel olay özniteliklerini statik veya dinamik kovaryetler olarak ekleyerek yakalayın; fiyat promosyonları, mağaza açılışları veya kampanya işaretçileri gibi öznitelikleri dinamik öznitelikler olarak ekleyin. Eksik değerler dikkatli bir şekilde ele alınmalıdır: kısa boşluklar için interpolasyon veya ileri/geri doldurma kullanın; daha uzun boşluklar için model tabanlı yaklaşımlarla atama (imputation) yapın veya algoritma eksikliği destekliyorsa (DeepAR maskelenmiş dinamik öznitelikleri kabul eder) bunları maskeleyin. Çok sayıda sıfır içeren aralıklı talep veya aşırı dağılmış sayımlar için, negatif binom olabilirlik kullanın, seyrekliği azaltmak için agregasyon (ör. haftalık) ile denemeler yapın veya klasik yöntemler uygun olduğunda Croston tabanlı ön işleme uygulayın. Kovaryetlerde gelecek bilgisini sızdırmaktan kaçının—dinamik öznitelikler, tahmin ufku için biliniyor veya tahmin edilebilir olmalıdır. Çoklu seri modellerinin kalemler arasında güç paylaşmasına olanak tanımak için meta verileri (item_id, category, store_id) statik kategorik öznitelikler olarak saklayın.

Değerlendirme: olasılıksal metrikler, geriye dönük test ve kalibrasyon

Olasılıksal tahminleme, nokta tahminlerinden farklı değerlendirme kriterleri gerektirir. Dağılımsal kaliteyi değerlendirmek için kantil kaybını (pinball kaybı) ve sürekli sıralı olasılık skorunu (CRPS) kullanın ve aralık kalibrasyonunu doğrulamak için anahtar kantiller (ör. P50, P90) için kapsamayı raporlayın. Sıfır içeren veya aralıklı talebe sahip seriler için yalnızca MAPE’ye güvenmekten kaçının; ölçekten bağımsız karşılaştırma için Ortalama Mutlak Ölçeklenmiş Hata’yı (MASE) veya yüksek gelirli SKU’ları önceliklendirmek için ağırlıklı kantil kayıplarını kullanın. Zamansal istikrarsızlığı ve mevsimselliği yakalamak için çoklu geriye dönük test pencereleriyle kayan başlangıçlı (zaman serisi) çapraz doğrulama uygulayın ve her pencerenin mevsimsellik döngülerine uymasını sağlayarak test setlerinin (holdout) tam mevsimsel dönemler içermesini garantileyin. Kalibrasyonu tahmin aralığı isabet oranları ve PIT benzeri histogramlarla kontrol edin; aralıklar çok darsa, DeepAR’da num_eval_samples değerini artırmayı veya olabilirlik varsayımlarını ayarlamayı düşünün. Yaygın tuzaklar arasında, çıkarım sırasında mevcut olmayacak gelecekte bilinen kovaryetleri kullanmak, kritik mevsimselliği toplayarak ortadan kaldırmak ve rejim değişikliklerini kaçıran tek bir statik test seti üzerinde değerlendirme yapmak yer alır. Karar etkisini yansıtmak için seri başına metrikleri basit ortalamalar yerine iş önemine göre toplayın.

Ölçeklendirme, dağıtım desenleri ve karar kriterleri

Tahminlemeyi binlerce veya milyonlarca seriye ölçeklendirmek ve tahminleri üretime dağıtmak, mimari ödünleşimler içerir. Yönetilen, ölçek öncelikli bir çözüm için Amazon Forecast; veri kümesi gruplarını (hedef zaman serisi, ilgili zaman serisi, öğe meta verileri), otomatik özellik mühendisliğini, yerleşik geriye dönük testi (backtesting) ve toplu veya dışa aktarılabilir tahminler için elastik barındırılan tahmincileri yönetir. Özel model eğitimi olmadan birçok seriyi yöneten bir hizmet istediğinizde çok uygundur. Özel modelleme ihtiyaçları için, hiperparametreleri, olabilirlik (likelihood) seçimlerini ve özellik mühendisliğini kontrol ettiğiniz SageMaker’ı DeepAR (veya özel PyTorch/TF modelleri) ile kullanın; hız için GPU örneklerinde (instance) eğitim yapın ve toplu çıkarım için SageMaker Batch Transform’u veya düşük gecikmeli sunum için gerçek zamanlı uç noktaları kullanın. Birçok model sürümüyle maliyet verimliliği sağlamak için çok modelli uç noktaları veya S3 olayları ya da Step Functions tarafından tetiklenen asenkron toplu işlem hatlarını göz önünde bulundurun. Karar kriterleri arasında özel mimarilere ihtiyacınız olup olmadığı (SageMaker’ı seçin), minimum operasyonel yük ile seriler arası öğrenmeye ihtiyacınız olup olmadığı (Forecast’i seçin) ve düşük gecikmeli tek serili tahminlerin gerekip gerekmediği (SageMaker gerçek zamanlı uç noktalarını tercih edin) yer alır. Yaygın tuzaklar: context_length‘i yetersiz sağlamak, kantil (quantile) çıktılarını yanlış yapılandırmak ve değerlendirmeyi iş etkisine göre ağırlıklandırmamak.

Pratik Problem: Kullanım Senaryosu

Senaryo: Acme Retail, 5.000 mağaza işletmekte ve günlük satış ile promosyon kayıtlarını Amazon S3’te tutmaktadır. Veri bilimi için SageMaker Studio kullanıyorlar ve envanter ile promosyonları yönlendirmek için ölçeklenebilir üretim tahminlerine ihtiyaç duyuyorlar.

Zorluk: Tatilleri ve promosyonları hesaba katan, birçok SKU için aralıklı sıfır satışları ele alan ve gecelik toplu üretime ölçeklenen, SKU-mağaza çifti başına kalibre edilmiş 30 günlük olasılıksal talep tahminleri üretmek.

Önerilen Yaklaşım:

1. Veri işlem hatlarını yapılandırın: günlük satışları ve promosyonları S3’e alın, AWS Glue ile kataloglayın ve Athena aracılığıyla kullanıma sunun; zaman damgası, item_id, store_id, hedef_değer ve dinamik özellikler içeren veri kümesi dosyaları oluşturun.
2. SageMaker Studio’da modellerin prototipini oluşturun: birkaç temsili SKU için Prophet tarzı ayrıştırmayı deneyin, ardından SageMaker DeepAR’ı eğitin (sayımlar için time_freq='D', prediction_length=30, context_length=30–90, likelihood='negative-binomial', num_eval_samples=100 olarak ayarlayın).
3. Ölçek ve üretim için: SageMaker’da gecelik toplu eğitimi veya artımlı yeniden eğitimi zamanlayın (veya yönetilen tahminleri tercih ediyorsanız isteğe bağlı olarak veri kümesi grupları ve tahmincilerle Amazon Forecast’i kullanın) ve gecelik toplu çıkarım için SageMaker Batch Transform veya Forecast toplu dışa aktarmayı kullanın.
4. Kantil kaybı (quantile loss) ve kapsama (coverage) metriklerini (P50/P90) kullanarak yuvarlanan başlangıçlı geriye dönük testlerle (rolling-origin backtests) değerlendirin ve canlı kalibrasyonu izleyin; aralıklar yetersiz kapsama yaparsa, olabilirlik (likelihood) ayarı yapın veya num_eval_samples‘ı artırın.

Gerekçe: Glue/Athena ve S3 kullanmak veri erişimini standartlaştırır, DeepAR (veya Forecast) birçok ilgili seriyi doğal olarak modeller ve envanter kararları için gereken kantilleri üretir, negative-binomial aralıklı sayımları ele alır ve toplu dönüştürme, uygun maliyetli gecelik ölçeklendirmeyi sağlar.

← Doğal Dil İşleme ve Konuşma · Tüm alanlar · Eğitim →

Bu soruları çözün → · ExamRoll.io’da süreli pratik →

Amazon'a göz atın →