亚马逊AWS官方博客
Category: Artificial Intelligence
在Amazon SageMaker上进行XGBoost分布式训练
本文介绍了如何使用SageMaker内置的XGBoost算法进行分布式训练的最佳实践以及需要关注的一些问题。
基于Amazon Kinesis Video Stream Images构建视频流检测方案的集成与分析
基于云端实时视频智能检测的功能,在居家安防监控领域有着较高的价值。基于成本优化的考虑,我们希望采用图片作为智能检测的数据输入,因此通常需要从视频流中提取图片,但从视频流中抽取图片往往需要维护可扩展的计算资源来将视频转码为图片格式,这对没有的专业领域技术积累的团队来说是个不小的挑战。本文将详细介绍如何使用AWS新推出的Amazon Kinesis Video Streams Images来简化云端抽图。
Data-centric AI之样本工程
样本工程会涉及到建模思路的梳理,它不像特征工程那样还有一些典型的方法论,它更加艺术,更像是一种思维旅行,是一个需要反复进行脑中走查的过程。
Data-centric AI之特征工程(第三讲)
这两年我们观察到越来越多的算法工程师重视数据的特征工程,AI业界大佬吴恩达教授在2021年提出了从model-centric AI切换到data-centric AI的论调,我个人认为data-centric AI的三个核心就是特征工程,样本工程和数据集质量(本系列文章将围绕这三个核心来介绍)。
Data-centric AI之特征工程(第二讲)
这两年我们观察到越来越多的算法工程师重视数据的特征工程,AI业界大佬吴恩达教授在2021年提出了从model-centric AI切换到data-centric AI的论调,我个人认为data-centric AI的三个核心就是特征工程,样本工程和数据集质量(本系列文章将围绕这三个核心来介绍)。
Data-centric AI之特征工程(第一讲)
这两年我们观察到越来越多的算法工程师重视数据的特征工程,AI业界大佬吴恩达教授在2021年提出了从model-centric AI切换到data-centric AI的论调,我个人认为data-centric AI的三个核心就是特征工程,样本工程和数据集质量(本系列文章将围绕这三个核心来介绍)。
带你SSH到Amazon SageMaker 训练实例一探究竟
带你SSH到Amazon SageMaker 训练实例一探究竟
基于Amazon Kinesis Video Streams 与 Amazon Rekognition Streaming Video Events实时视频检测方案
在居家安防监控领域,基于实时视频的移动检测,发现监控环境中人、宠物、包裹等的出现,并且能实时地将检测结果通知给身处任何地方的用户是其重要的应用场景之一。
Amazon Personalize 个性化效果评估,从准确性到多样性、新颖性和偶然性
许多客户在个性化模型评估上遇到挑战,该模型性能良好但最终用户不喜欢它。我們提供了一种评估 Personalize 的方法。特别是关于多样性、新颖性和偶然性。并以 Amazon Fine Food Reviews 数据为例,逐步演示和演练。
通过 Amazon OpenSearch Service 上的 AWS Graviton2 实例提高性能
Amazon OpenSearch Service(Amazon Elasticsearch Service 的下一代产品)是 AWS 为 OpenSearch 提供的一项完全托管式服务。它是一个开源搜索和分析套件,用于广泛的使用场景,例如实时应用程序监控、日志分析和网站搜索。 现在支持 Graviton2 实例进行性能优化