Category: Artificial Intelligence

本文将专注于使用多分类问题类型在 Amazon Redshift 中创建模型，该类型包括至少三个类别。例如，您可以预测交易是欺诈性的、失败的还是成功的，客户是否会将活跃状态保持 3 个月、6 个月、9 个月、12 个月，还是要将新闻标记为体育、世界新闻或是商业内容。

在这篇文章中，我们使用了一组模拟数据集，该数据集是金融服务提供商提供的贷款数据，由 Snowflake 提供。该数据集包含有关向个人发放贷款的贷款人数据。我们使用 Data Wrangler 来转换和准备数据以在 ML 模型中使用，首先在 Data Wrangler 中构建数据流，然后将其导出到 Amazon SageMaker Pipelines。首先，我们将完成将 Snowflake 设置为数据源，然后使用 Data Wrangler 探索和转换数据。

智能IP监控的使用场景十分广泛，也衍生出众多的需求，如云存需求，回放需求，AI图像视频理解层面的需求等等。落地的场景有智慧楼宇，公共场所安防监控，居家室内外监控，智慧门铃，大型活动策划方，面部身份鉴定等等。立足于这些客户场景，本文主要介绍智能IP监控相机中的AI技术集成，在IP监控相机的数据上云之后，可以与众多计算机视觉算法相结合，如人脸检测，人脸检索，人形检测，或其他目标检测，行为分析等。文中阐述三种AI算法集成架构，并阐述各自适用的不同场景。

对于数据科学家来说，要部署基于CPU的机器学习模型进行推理，Lambda是一种经济高效、可扩展且可靠的方式。凭借对更大的函数大小、AVX2指令集和容器镜像的支持，Lambda现在可以部署更复杂的模型，同时保持低延迟。

自然语言处理 (NLP) 是语言学、计算机科学和人工智能的一个子领域，涉及计算机与人类语言之间的交互 （引自维基百科） 。

Amazon SageMaker 是一项完全托管式服务，它提供的功能可以将基础设施管理的繁重工作抽象化，并针对您对大规模 ML 活动的敏捷性和可扩展性需求提供各种不同功能和按用量付费的定价模型。

本文展示了使用SageMaker运行开源端到端语音识别模型WeNet的方法，涵盖数据处理、Docker运行环境构建、模型训练等内容。

本文将以一个常见的使用案例，通过Amazon Step Functions Data Science SDK创建基于无服务器架构的工作流，过程如下：1.使用Amazon Glue进行ETL工作，生成样本数据集 2.使用SageMaker部署本地训练好的模型，用于机器学习推理

但随着系统中数据规模的持续增长，数据移动也变得越来越困难。为了解决这一挑战、进而从数据中获取最大收益，亚马逊云科技提出了Lake House“智能湖仓”方案。

该文以目标检测模型着手，演示如何一步步基于Sagemaker Neo对训练后的模型文件进行编译优化，来提升模型的推理速度。 文中以yolo3(backbone为mobilenet1.0）模型为例，分别演示模型准备，模型Neo编译，模型导出推理测试，可视化等过程， 推理结果显示基于Sagemaker Neo可以显著提升推理速度，达到一倍以上的加速。