जनसंख्या के रुझानों की एम्बेडिंग के अलग-अलग इस्तेमाल के उदाहरणों को समझने के लिए, हमारी डेमो नोटबुक देखें.

Notebook ब्यौरा
Nowcasting Colab यह काउंटी-लेवल के टारगेट वैरिएबल के लिए, पिछले और मौजूदा समय के डेटा का इस्तेमाल करता है. इससे बाकी काउंटी के नतीजों का अनुमान लगाया जा सकता है.
सुपररिज़ॉल्यूशन और इंप्यूटेशन कोलाब इससे टारगेट वैरिएबल के आधार पर, काउंटी लेवल पर मॉडल को ट्रेन करने में मदद मिलती है, ताकि पिन कोड लेवल पर अनुमान लगाया जा सके. इसमें डेटा को भरने की क्षमता भी दिखाई गई है. जैसे, 20% ज़िप कोड के डेटा का इस्तेमाल करके मॉडल को ट्रेन किया गया और बाकी 80% ज़िप कोड के डेटा का अनुमान लगाया गया.
TimesFM Colab की मदद से अनुमान लगाना यह एक एक्सपेरिमेंटल यूज़ केस है. इसमें स्पैटियोटेंपोरल फ़ोरकास्टिंग करने के लिए, TimesFM (एक यूनिवेरिएट फ़ोरकास्टिंग मॉडल) को शामिल किया गया है. इसमें एम्बेडिंग, फ़ोरकास्ट की गड़बड़ियों को ठीक करती हैं और सटीकता को बेहतर बनाती हैं.
Earth Engine Colab की मदद से रात की लाइटों का अनुमान लगाना इसमें बताया गया है कि एम्बेडिंग से, Earth Engine का डेटा (जैसे, रात की रोशनी) का अनुमान भी लगाया जा सकता है. इससे पर्यावरण और सामाजिक-आर्थिक पूर्वानुमान के लिए, भौगोलिक डेटा को बेहतर तरीके से समझा जा सकता है.
ग्लोबल एम्बेडिंग का इस्तेमाल करके अनुमान लगाना इस इमेज में, एक से ज़्यादा देशों के लिए मॉडल सेट अप करके, नए देश के लिए अनुमान लगाने के लिए ग्लोबल एम्बेडिंग का इस्तेमाल करने का तरीका दिखाया गया है.