Author: AWS Team

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。

2020年，F1方程式赛车迎来了自己的70岁生日，同时也是世界上将运动技能与工程技术实力全面结合的极少数顶尖运动之一。技术一直在F1中扮演着核心角色，规则与工具的演变也早已融入F1运动的血液当中。正是这种不断进取、不断探索的精神，令全球赛车迷们痴狂不已，关注自己热爱的车手与车队如何以十分之一秒为单位超越对手、夺取胜利。

如本文所述，在使用Amazon Personalize时，将上下文信息添加至推荐策略当中，是一项非常强大且易于实现的实践。使用上下文丰富推荐结果，您的用户参与度将显著增加，从而真正将推荐系统转化为提升收入的重要工具。

在本文中，我们介绍了如何使用Amazon A2I人工审核工作流与Amazon Transcribe自定义词汇表改善自动视频的转录效果。通过本轮演练，您可以快速识别出特定领域的术语，并使用这些术语构建自定义词汇表，以便后续更准确地对其他视频中的相同术语实现转录。对于SEO、针对性文本查询以及按技术术语对批量视频或音频文件进行分组等应用场景，这种对关键技术术语的正确转录都是一项至关重要的能力与前提性保证

本文向大家介绍了Amazon SageMaker的计费标准，根据机器学习项目内各个阶段正确调整Amazon SageMaker计算资源大小的最佳实践，以及如何通过自动停止闲置的按需notebook实例以避免产生非必要运营成本的具体方法。最后，我们还分享了如何自动检测Amazon SageMaker端点以保证不致发生误删情况。

《金融服务中的机器学习最佳实践》白皮书旨在帮助大家了解如何建立起安全且具有良好治理水平的机器学习工作流，大家也可以结合实际疑问与作者取得联系。在您的机器学习探索之旅中，不妨随时参阅另一份白皮书以了解适用于机器学习工作负载的AWS架构设计原则。

描述如何在中国 AWS 区域使用 Keycloak 通过 SAML 建立 SSO 登录 AWS Console。

本博客介绍了如何使用此参考架构构建自动驾驶数据湖。我们讨论的工作流范围从如何提取数据、为机器学习准备数据、将 ADAS 系统和车辆传感器的输出进行编目、对其进行标注、自动检测场景，到管理那些将其移动到有组织的数据湖构造所需的各种工作流。开发 AWS 自动驾驶和 ADAS 数据湖参考架构之前，我们曾与众多客户合作应对实现这一目标所面临的挑战。

Amazon Personalize提供的全新aws-user-personalization recipe能够在推荐结果中引入交互量较少的新项目，并在重新训练期间通过用户反馈学习项目属性，有效地缓解了项目冷启动问题。关于使用Amazon Personalize优化用户体验的更多详细信息，请参阅Amazon Personalize文档。

利用SageMaker Operator可以实现从本地的，自建的Kubernetes集群中，对AWS SageMaker 进行训练任务的提交和管理。