亚马逊AWS官方博客
Category: Amazon Machine Learning
利用Amazon SageMaker Pipeline构建基于StyleGAN2的自动化机器学习流
随着深度学习领域的不断发展，很多生成类模型的效果已经达到“准商用”的水平，因此，也有很多客户选择在这类模型上进行调优和封装并作为应用提供给终端用户，从而实现算法能力产品化。在本博客中，我们将为大家展示如何用利用Amazon SageMaker Pipeline构建包括数据预处理，模型训练，模型推理以及任务状态通知的自动化工作流。在本博客中我们将为大家展示主要部分的技术实现。
三剑客 EKS + Kubeflow + Karpenter 助力构建弹性机器学习平台
本博客为大家展示通过使用EKS， Kubeflow， Karpenter可以建立弹性扩展性强的机器学习平台。
机器学习多步时间序列预测解决方案
AWS ProServe GCR 利用机器学习进行多步时间序列预测解决方案。
Wellforce 宣布将卫生系统的数字医疗保健生态系统迁移到 AWS
Wellforce 正在迁移其整个数字医疗保健生态系统，以在 Amazon Web Services (AWS) 上创建一个数字平台。该平台由 Epic 的基础设施以及 300 多个支持医疗保健和业务应用程序的复杂集成组成，一旦上线，Wellforce 有望成为在云上运行其整个 Epic 基础设施的最大组织。
通过 Amazon SageMaker 在慕尼黑白血病实验室进行机器学习白血病诊断
在这篇文章中，我们将详细介绍我们在使用 Amazon SageMaker 创建强大的 ML 模型方面的合作，该模型仅使用下一代测序（NGS）数据就可以检测 30 种不同的白血病亚型。
推荐系统系列之推荐系统召回阶段的深入探讨
在当今信息化高速发展的时代，推荐系统是一个热门的话题和技术领域，一些云厂商也提供了推荐系统的SaaS服务比如亚马逊云科技的Amazon Personalize来解决客户从无到有迅速构建推荐系统的痛点和难点。在我们的日常生活中，推荐系统随处可见，我根据这几年参与的推荐系统和计算广告项目总结了一些实践经验并以推荐系统系列文章的形式分享给大家，希望大家看后对推荐系统有更全新更深刻的理解。
使用 Amazon SageMaker Clarify 解释德甲赛况 xGoals
最激动人心的 AWS re:Invent 2020 公告之一是新增一项 Amazon SageMaker 功能 […]
通过个性化在线体育内容提高参与度
这是 Pulselive 的 Mark Wood 的客座博文。用他们自己的话说，“总部位于英国的 Pulselive 是体育界一些知名品牌引以为豪的数字合作伙伴。”
十分钟轻松使用 Scala 在 Apache Spark 部署深度学习模型
深度学习在大数据领域上的应用日趋广泛，可是在Java/Scala上的部署方案却屈指可数。亚马逊开源项目团队另辟蹊径，利用DJL帮助用户部署深度学习应用在Spark上。只需10分钟，你就可以轻松部署TensorFlow，PyTorch，以及MXNet的模型在大数据生产环境中。
基于Amazon SageMaker完成ERNIE机器学习任务（一）—— 通过自带容器方法实现自定义算法的模型预训练
在近日全球规模最大的语义评测比赛 SemEval 2020中，语义理解框架ERNIE斩获了包括视觉媒体的关键文本片段挖掘、多语攻击性语言检测和混合语种的情感分析等在内的5项世界冠军。它所提出的知识增强语义表示模型，以及2.0版本构建的持续学习语义理解框架，在中英文等多个任务上超越业界最好模型。尤其在多项中文NLP任务中，ERNIE的结果都能与 BERT 持平或有所提升。