亚马逊AWS官方博客

Category: Artificial Intelligence

搭载 AWS Graviton 2 处理器的 Amazon EC2 M6g、C6g 以及 R6g 实例,现已在光环新网科技公司运营的 AWS 中国(北京)区域及西云数据运营的 AWS 中国(宁夏)区域正式上线

搭载AWS Graviton2处理器的Amazon EC2 T4g实例适用于突发性通用工作负载。客户每月可获得750个小时的免费t4g.micro实例使用配额,截止日期至2021年3月31日。如果您有意使用搭载AWS Graviton2处理器的Amazon EC2 M6g、C6g以及R6g实例,请访问AWS管理控制台,或参阅实例类型页面以了解更多详细信息。

Read More

专利申报中:Infoblox 公司与 Amazon SageMaker 合作,为 DNS 建立一套同形异义词攻击检测模型

Infoblox团队使用Amazon SageMaker训练出一套深度CNN模型。此模型能够识别出与DNS域名中ASCII字符在外观上高度相似的Unicode字符。以此为基础,该模型还使用Unicode标准识别这些同形异义字符,验证准确率为0.969,测试F1得分为0.969。接下来,他们又编写一款检测器,使用此模型对Passive DNS流量上的IDN同形异义词进行检测,整个流程无需进行任何在线图像数字化或预测操作。

Read More

使用 Deep Graph Library 训练知识图谱嵌入

知识图谱嵌入KGE则为大家提供一种强大的方法,可以对特定节点上的语义与局部结构信息进行编码,您也可以将它们作为机器学习与深度学习模型的输入。DGL-KE支持多种流行嵌入模型,并能够让您通过CPU或GPU的大规模训练得到嵌入结果,训练速度是其他同类技术的2到5倍。

Read More

无代码机器学习:AutoGluon、Amazon SageMaker 与 AWS Lambda 合力加持 AutoML

在本文中,我们介绍了如何在无需编写任何代码的前提下,实现ML模型的训练与推理预测。AutoGluon、Amazon SageMaker以及AWS Lambda的密切配合最终让这一看似不可能的任务成为现实。大家可以使用本文中的示例无代码管道实现ML功能,整个过程轻松便捷,不需要任何编程或数据科学方面的专业知识。

Read More

使用 TensorBoard 实现 TensorFlow 训练作业可视化

在本文中,展示了使用TensorBoard可视化TensorFlow训练作业,以Amazon S3作为日志存储。您可以使用这套解决方案以及对应的示例notebook,通过Amazon SageMaker构建和训练模型,并运行超参数调优作业。此外,您可以使用TensorBoard对不同训练作业中的超参数进行比较,生成并显示分类器混淆矩阵,剖析并可视化训练作业的性能。

Read More

使用 Amazon SageMaker Processing 与 AWS Step Functions 构建机器学习工作流

机器学习(ML)工作流负责编排并自动执行机器学习任务序列,包括数据收集,机器学习模型的训练、测试与评估,外加模型部署。AWS Step Functions能够在端到端工作流中编排并自动执行与 Amazon SageMaker相关的各项机器学习任务。AWS Step Functions数据科学软件开发工具包( AWS Step Functions Data Science Software Development Kit,简称SDK)是一套开源库,使您得以轻松创建包含数据预处理、模型训练和部署的工作流。您可以使用Python创建机器学习工作流,而无需分别设置及整合各项AWS服务。

Read More

使用 A/B 测试衡量 Amazon Personalize 推荐结果的有效性

A/B测试还能够提供客户与Amazon Personalize推荐结果间实际交互方式的宝贵信息。这些结果将根据明确定义的业务指标进行衡量,使您了解推荐结果的有效性,以及该如何进一步调整训练数据集建立起明确认知。在对此过程进行多轮迭代之后,您会发现各项重要指标都将得到改善,客户参与度也将随之提高。

Read More