亚马逊AWS官方博客
AWS Glue DataBrew 正式发布 – 助您快速实现数据清洗与规范化的可视数据准备工具
我们高兴地宣布,AWS Glue DataBrew目前已正式上线。凭借这款可视化数据准备工具,您能够将数据清洗与规范化速度提升达80%,确保把更多精力投入到真正具有业务价值的工作当中。
AWS 发布 AWS Glue DataBrew,让数据可视化准备工作提速达80%
AWS Glue全新的可视化数据准备工具,让数据科学家和数据分析师能够更快地清理和规范化数据,与传统数据准备方法相比,速度可提高80%。
基于 QuickSight 的成本可视化方案
为了让更多的 AWS 用户能够清晰地了解其云上用量,大中华区企业支持团队根据企业服务团队与企业客户协作的实际经验,创建了基于 CUR (cost and usage report) + QuickSight 的成本分析方案。
从本地存储架构迁移到 AWS 存储服务
无论用户需要从零开始进行迁移或需要把突发工作负载迁移至云端,AWS提供了能在这一过程的每个环节提供帮助的服务。在从本地存储环境迁移至云端解决方案后,组织将变得更敏捷,更具创新性。将本地数据存储迁移至AWS存储服务还可能帮助组织改善可扩展性与安全性,并降低基础结构成本。
使用 Provisioned Concurrency 创建低延迟、高容量 API
本文探讨了冷启动如何影响Web应用程序中无服务器后端的性能表现。其中提到,最核心的性能因素往往体现在前端应用程序调用的同步API身上。在这里,我们也进一步了解了Lambda服务中可用于定位冷启动问题的选项。
使用 TensorBoard 实现 TensorFlow 训练作业可视化
在本文中,展示了使用TensorBoard可视化TensorFlow训练作业,以Amazon S3作为日志存储。您可以使用这套解决方案以及对应的示例notebook,通过Amazon SageMaker构建和训练模型,并运行超参数调优作业。此外,您可以使用TensorBoard对不同训练作业中的超参数进行比较,生成并显示分类器混淆矩阵,剖析并可视化训练作业的性能。
使用 Amazon SageMaker Processing 与 AWS Step Functions 构建机器学习工作流
机器学习(ML)工作流负责编排并自动执行机器学习任务序列,包括数据收集,机器学习模型的训练、测试与评估,外加模型部署。AWS Step Functions能够在端到端工作流中编排并自动执行与 Amazon SageMaker相关的各项机器学习任务。AWS Step Functions数据科学软件开发工具包( AWS Step Functions Data Science Software Development Kit,简称SDK)是一套开源库,使您得以轻松创建包含数据预处理、模型训练和部署的工作流。您可以使用Python创建机器学习工作流,而无需分别设置及整合各项AWS服务。
使用 A/B 测试衡量 Amazon Personalize 推荐结果的有效性
A/B测试还能够提供客户与Amazon Personalize推荐结果间实际交互方式的宝贵信息。这些结果将根据明确定义的业务指标进行衡量,使您了解推荐结果的有效性,以及该如何进一步调整训练数据集建立起明确认知。在对此过程进行多轮迭代之后,您会发现各项重要指标都将得到改善,客户参与度也将随之提高。
自建 Kubernetes 集群提交和管理 Amazon SageMaker 训练任务(二)SageMaker Operator 安装及任务提交
在使用SageMaker Operator提交任务的时候,往往会涉及到使用的算法和数据来自本地,本文介绍了如何利用SageMaker Operator的参数定义,能够让线上的SageMaker训练任务使用到本地的代码及数据。
在 Amazon SageMaker Autopilot 推理管道中部署您的自有数据处理代码
在本文中,我们演示了如何使用您自己的数据处理代码构建起自定义Autopilot推理管道。我们首先训练出特征选择模型,而后使用经过训练的特征选择模型对原始数据进行转换。接下来,我们启动Amazon SageMaker Autopilot作业,针对我们的回归问题自动训练并优化出最佳机器学习模型。我们还构建起一套将特征选择与Autopilot模型加以结合的推理管道。