亚马逊AWS官方博客
Category: Artificial Intelligence
Cynamics 如何使用 AWS 构建大规模、近乎实时的流式传输 AI 推理系统
这篇博文由Cynamics 联合创始人兼首席技术官 Yehezkel Aviv 博士和 Cynamics 工程主管 Sapir Kraus 共同撰写。在竞争激烈的网络安全市场,Cynamics 是首个基于小型网络样本的解决方案,至今学术界和行业都认为这是一项艰难且尚未解决的挑战.
Amazon SageMaker 无服务器推理 – 无需担心服务器配置的机器学习推理
2021 年 12 月,我们在 Amazon SageMaker 中推出了 Amazon SageMaker […]
基于Amazon Serverless和SageMaker实现空气质量预测
本文介绍了通过Amazon Serverlss实现低成本数据采集,并通过Amazon SageMaker进行数据处理与机器学习,对时间序列数据如空气质量进行分析与预测。
使用 Amazon SageMaker 构建机器学习应用
在本篇文章中,我们将介绍如何在Amazon SageMaker上开展机器学习模型训练,我们将在Notebook上面分别演示针对同一个数据集,分别使用XGBoost,SageMaker内置算法和AutoGluon进行模型训练。
LightGBM 算法框架运行在Amazon Sagemaker
本文将介绍如何使用lightgbm以及如何借助Amazon Sagemaker来提高使用lightgbm的机器学习效率
Amazon DeepRacer 多种策略模型实战应用分析
本篇blog基于DeepRacer的一次基于re:Invent2018赛道的备赛经历,阐述强化学习完成竞速类自动驾驶任务的算法调优与现实部署经验。
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 […]
Thomson Reuters 如何利用 Amazon SageMaker 加快自然语言处理解决方案的研究和开发
在这篇博文中,我们讨论了 TR 如何使用 Amazon SageMaker 加快研发工作,以及如何在实现这一目标时显著节省成本和提高灵活性。我们说明了该团队如何尝试使用 BERT 的多种变体来产生强大的问答能力。最后,我们介绍了 TR 的安全内容工作区 (SCW),它使团队能够轻松安全地访问 Amazon SageMaker 资源和 TR 专有数据。
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。”
使用 Amazon SageMaker 为新用户提供实时音乐推荐
这是一篇由来自 iHeartRadio 的 Matt Fielder 和 Jordan Rosenblum 撰写的客座博文。用他们自己的话说,“iHeartRadio 是一个流媒体音频服务,每个月的用户达数千万,每天的注册人数累计上万。”