AI/ML
0 人感兴趣 · 28 次引用
- 最新
- 推荐
在 Amazon SageMaker 上快速、灵活构建 Amazon TensorFlow 模型的在线推理服务
当算法工程师在本地使用Amazon TensorFlow深度学习框架训练好模型后，会创建模型服务器供应用程序调用实现在线推理。
如何将您的自定义容器镜像导入 Amazon SageMaker Studio Notebooks
Amazon SageMaker Studio是第一套用于机器学习（ML）的全集成开发环境（IDE）。Amazon SageMaker Studio可帮助数据科学家们快速启动Studio notebooks以探索数据、构建模型、启动Amazon SageMaker训练作业并部署托管端点。
使用 Amazon SageMaker 部署 CVAT AI 自动图像标注系统
Amazon SageMaker可以帮助开发人员和数据科学家快速准备构建、训练和部署机器学习（Amazon ML）模型的完全托管的云服务。
基于 Amazon Machine Learning Bot 的 Named-entity Recognition 快速解决方案
Amazon Machine Learning Bot（以下称为Amazon ML bot）为用户提供了一种快速的开箱即用的解决方案，其底层基于Amazon SageMaker 将机器学习模型的定制及部署实现了高效的自动化。并且，Amazon ML bot 提供了可视化、易操作的Web User Interface界面。
Amazon DeepRacer 训练日志分析范例与强化学习 Reward Function 设计
Amazon DeepRacer 是一款专门为帮助开发人员进行强化学习（Reinforcement learning）实践而开发的1/18 比例的完全自动驾驶赛车。
在亚马逊云科技 Marketplace 上的 SaaS 架构设计——如何支持多产品使用单一账户中心
为了给企业提供更加易用的应用层软件，越来越多的软件提供商推出了SaaS产品。亚马逊云科技Marketplace是一个提供甄选的数字化产品的平台，能够帮助SaaS厂商降低销售成本，触达更多的客户，是很多SaaS厂商的首选。
Amazon Marketplace 上的 SaaS 架构设计 ——如何支持跨多账户对接
为了给企业提供更加易用的应用层软件，越来越多的软件提供商推出了SaaS产品。亚马逊云科技Amazon Marketplace是一个提供甄选的数字化产品的平台，能够帮助SaaS厂商降低销售成本，触达更多的客户，是很多SaaS厂商的首选。
使用 Amazon Redshift ML 构建多分类模型
Amazon Redshift ML 通过使用简单的 SQL 语句使用 Amazon Redshift 中的数据创建和训练机器学习（ML）模型，简化了机器学习 (ML) 的操作。您可以使用 Amazon Redshift ML 来解决二进制分类、多分类和回归问题，并可以直接使用 AutoML 或 XGBoost 等技术。
Amazon SageMaker Data Wrangler 简化数据准备过程，助力机器学习
数据准备仍然是机器学习 (ML) 领域的主要挑战之一。数据科学家和工程师需要编写查询和代码以从源数据存储中获取数据，然后编写查询来转换这些数据，以创建用于模型开发和训练的特征。
自然语言处理实战——巧用 Amazon Comprehend 分析社交媒体数据
自然语言处理 (NLP) 是语言学、计算机科学和人工智能的一个子领域，涉及计算机与人类语言之间的交互 （引自维基百科）【1】。NLP 的目标是让计算机理解人类所说和所写的内容，并以同样的方式进行交流。
手把手教程 | 使用无服务器模板部署机器学习模型
在设计和训练机器学习模型后，数据科学家会部署这些模型，以便应用程序可以使用。Amazon Lambda是一项让您在运行代码时无需预置或管理服务器的计算服务。Amazon Lambda的按请求付费、自动扩展和易用性使其成为数据科学团队的热门部署选择。
实力超越，绝对领先——Amazon SageMaker 在企业 MLOps 平台报告中获得高度肯定
在过去几年中，机器学习 (ML) 已证明其在帮助组织提高效率和促进创新方面的价值。随着机器学习逐渐成熟，其重点自然会从实验转向生产。机器学习流程需要简化、标准化和自动化，以便以一致和可靠的方式建立、训练、部署和管理模型。
Amazon SageMaker 新玩法——定制你的语音识别模型
通过语音方式与机器进行交互可以在很多场景下提高效率，也是当下人工智能领域内研究的热点之一。语音识别技术的应用场景可以划分为以车载语音助手为例的车载场景、以智能家居设备的家庭场景等。
通过自动关闭 Amazon SageMaker Studio 中的闲置资源来节省成本
Amazon SageMaker Studio提供了一个基于Web的统一可视化界面，您可以在其中执行所有机器学习(ML)开发步骤，使数据科学团队的工作效率提高10倍。该Studio还可以为您提供构建、训练和部署模型所需每个步骤的完全访问权限、控制及可见性。
使用 Amazon Step Functions Data Science SDK 创建基于无服务器架构的工作流
市场营销是金融领域的一个重要方向，在机构发展新客户的过程中，不容忽视老用户的流失情况。假如获得一个新客户的成本是保留一个老客户的成本的5倍，那么将其客户流失率降低5%，其利润就可能增加25%以上。
在 Amazon Inferentia 上为 PyTorch 自然语言处理应用程序实现 12 倍的吞吐量和低延迟
Snap、Alexa 和 Autodesk 等亚马逊云科技客户一直在使用 Amazon Inferentia 部署各种机器学习 (ML) 模型以实现高性能和低成本。自然语言处理 (NLP) 模型在实时和离线批处理使用案例中越来越受欢迎。
Amazon Forecast 现可支持对单一条目进行准确性评估
我们高兴地宣布，现在您已经可以在Amazon Forecast当中评估单一条目的预测准确性，借此更好地了解您的预测模型在最重要的少数核心条目上拥有怎样的预测表现。
动手用 Java 训练深度学习模型
很长时间以来，Java 一直是一个很受企业欢迎的编程语言。得益于丰富的生态以及完善维护的包和框架，Java 拥有着庞大的开发者社区。尽管深度学习应用的不断演进和落地，提供给 Java 开发者的框架和库却十分短缺。
在 Amazon SageMaker 中灵活使用多种存储服务
Amazon SageMaker 是一种完全托管的端到端机器学习服务，数据科研人员、开发人员和机器学习专家可以快速、大规模地构建、训练和托管机器学习模型。这极大地推进了您所有的机器学习工作，让您能够将机器学习技术迅速融入生产应用程序。
SageMaker Neo 优化目标检测模型加速推理
该文以目标检测模型着手，演示如何一步步基于SageMaker Neo对训练后的模型文件进行编译优化，来提升模型的推理速度。
重装上阵——Graviton2 提升 ElastiCache for Redis 的性价比！
从2020年10月开始，基于亚马孙云科技 Graviton2 的缓存实例逐步推出，客户可以在使用 Amazon ElastiCache for Redis上使用这些实例。
动手训练属于自己的无人车，这个超强服务现已开源！
Amazon DeepRacer 是开始使用机器学习 (ML) 的最快方式。您可以在基于云的虚拟模拟器中使用 1/18 比例自动驾驶车辆训练强化学习 (RL) 模型，并在全球 Amazon DeepRacer League 中角逐奖金和荣誉。
新能源当道，如何构建一个电动汽车电池告警预测平台？
近年来，我国新能源汽车行业呈现蓬勃发展的态势。主机厂已经收集了大量的电动车的车联网数据，包括三大类（静态车辆数据、实时处理数据和实时车辆告警数据）160多项数据。
即刻到位！快速落地 Amazon 智能工厂解决方案
很多的制造企业正在利用数字化技术进行转型，并利用机器学习、计算机视觉和机器人等技术提升制造自动化程度。智能工厂便是在制造数字化的基础上，整合信息技术（IT）和运营技术（OT），利用物联网，AI，机器学习等技术进行实时收集、连接、分析和推断企业数据
使用 Amazon IoT 和 Amazon SageMaker 进行设备实时预测性维护
物联网（IoT）的一个典型应用场景是能够从传感器数据中获取上下文洞察力，例如分析设备异常或者进行预测性维护，及时给予用户通知。
巧用机器学习托管服务，自动化合约处理从此不在话下！
处理合约及协议等文档资料是一项费时费力的任务。在传统意义上，对典型的合约签订工作流进行审计往往涉及合约条款的加载、阅读及提取等多个步骤，这往往需要耗费大量人工与劳力。
农业与科技结合？快来看 Amazon Rekognition 自定义标签的作用吧
计算机视觉是人工智能 (AI) 的一个领域，借助于价格合理且基于云的训练计算，更高性能的算法，优化的可扩展模型的部署和推理，该领域越来越受到人们的关注和欢迎。
业界福音！快来使用 Amazon Transcribe 服务减轻添加字幕的繁琐工序负担吧
去年，突如其来的疫情给我们的生活和学习,带来了极大的影响。一方面需要减少人员聚集、降低疫情传播风险,同时又需要兼顾好日常工作推进,很多客户把线下会议转移到线上举办，亚马逊云科技也不例外。
