Category: Artificial Intelligence

本博文将简单谈谈与机器学习准确性和偏见相关的问题。

AWS 推出了两个新的 Amazon SageMaker 功能：一是批量转换功能，这是一种新的批量推断功能，客户可以通过它对 PB 级的数据进行非实时场景预测；二是适用于 TensorFlow 容器的管道输入模式。SageMaker 依然是 AWS 最受欢迎的服务之一，此博客和机器学习博客都对它进行了非常广泛的介绍。事实上，要赶上 SageMaker 团队快速的创新步伐是一件较为困难的事情。自上一篇有关 SageMaker 自动模型调整和超参数优化功能的博客发布以来，该团队已经推出了 4 种新的内置算法和许多的新功能。下面我们来看新推出的批量转换功能。

今天向大家演示适用于 Amazon Kinesis Video Streams (KVS) 的 HTTP Live Streams (HLS) 输出功能。如果您还不熟悉 KVS，请参阅 Jeff 在 2017 年为 AWS re:Invent 编写的发行介绍。简而言之，Amazon Kinesis Video Streams 是一种安全地截取、处理和存储视频，以用于分析和机器学习的服务 — 不论是从一台设备还是上百万台设备。 客户将 Kinesis Video 与机器学习算法配合使用，支持从家庭自动化、智慧城市到工业自动化和安全性的各个领域。

直到现在，从大量非结构化或半结构化内容中提取价值一直都很困难，并且需要机器学习 (ML) 方面的背景。Amazon Comprehend 消除了这些进入障碍，让数据工程师和开发人员可以轻松访问丰富、持续训练的自然语言处理服务。

您可以通过将来自 Amazon Comprehend 的分析与关系业务信息相结合来构建完整的分析解决方案，从而生成有价值的趋势分析。

本篇博客为2018年5月15日举办的在线研讨会“Amazon Comprehend 服务介绍和应用”的文字记录。文章内包含视频回看地址及 PPT 下载链接。

如果融合了物联网、机器学习和边缘计算，会发生什么？那要先知道，AWS 可以提供些什么？

在美国，三月中旬是上亿人观看、投注大学篮球联赛的季节。NCAA 大学篮球联赛鑫战正酣，Randall想借此机会简单介绍一下 Wesley Pasfield 的工作，他是我们的专业服务机器学习专家之一。Wesley 可以从 kenpom.com 和 College Basketball Reference 提取数据以创建模型，使用 Amazon SageMaker 嵌入的 XGBoost 算法来预测疯狂三月的结果。

基于深度学习 (Deep Learning) 的图像分类的研究与应用已经进行的如火如荼，对大部分的业务场景来说，更是有着深刻的现实意义 – 基于图片的互联网分享社交应用，如何借助 Deep Learning 在第一时间对用户分享的图片进行实时监测，分类是一个比较典型的应用场景；又例如，电商运营可能希望对所有的产品照片按照产品属性进行自动化分类，减少人工分类的工作；另外，在工业生产线的良品率基于产品图片的自动筛检，以及辅助医疗领域对病理图片的分类等等场景都有着十分广泛的应用前景和实用价值。

当然，利用神经网络 (Neural Networks)构建的深度学习，因为其非线性的特性以及堆叠网络架构使其具备了数以百万计的模型参数在图片分类利用越来越成熟。但是，对于不具备深度学习研发能力的用户，从零构建这样的应用无疑是一种挑战。Amazon SageMaker 是一个完全托管的机器学习服务，它使一般的开发人员和数据科学家可以快速轻松地构建以任何规模的机器学习训练任务，并且提供基于API的端到端的模型部署方案以及 10 多类 Amazon 自带的典型算法，让用户无障碍地轻松构建各种典型的机器学习应用。

好了，我们今天给大家准备了一个有趣的任务 – 构建一个猫狗图片的分类器。

AWS ML 平台团队产品经理 Kumar Venkateswar 分享有关 Auto Scaling with Amazon SageMaker 公告的详细信息。

2 月 8 日，我们发布了适用于 WordPress 的 Amazon Polly 插件，让您可以轻松地让内容变有声，直接从网站发布播客。借助音频，您可以通过另外一种方式向用户提供内容，并满足更多受众群体的需求。