亚马逊AWS官方博客

Category: News

云中的 Oracle 到 PostgreSQL 迁移:迁移流程和基础设施注意事项

在 AWS 云中从 Oracle 迁移到 PostgreSQL 可能是一个复杂的多阶段过程,从评估阶段到切换阶段,涉及多种不同的技术和技能。本系列博文介绍了源 Oracle 数据库、AWS Database Migration (AWS DMS) 服务和目标 PostgreSQL 数据库的环境和配置设置。本系列博文侧重于生产、开发、测试和暂存数据库环境迁移所用源数据和目标数据库基础设施、设置、工具和配置。我们将首先介绍从 Oracle 迁移到 Amazon RDS for PostgreSQL 数据库或兼容 PostgreSQL 的 Amazon Aurora 数据库。

Read More

Amazon Personalize – 适合每个人的实时个性化和推荐

Amazon Personalize 如何简化个性化和推荐? 如之前的博文所述,您可以使用 Factorization Machines(因子分解机)等算法在 Amazon SageMaker 上构建推荐模型。但是,这需要大量的数据准备和专家调整才能获得良好的结果。
使用 Amazon Personalize 创建推荐模型要简单得多。借助自动执行复杂机器学习任务的新流程 AutoML,Personalize 执行并加速设计、训练和部署机器学习模型所需的艰巨工作。

Read More

AWS DeepRacer – 在 re:Invent 亲自体验强化学习

强化学习是一种机器学习模式,适合允许“代理”以试错方式在交互式环境中行动的情况,代理可以利用来自这些行动的反馈逐步学习,以达到预定目标或最大限度提升某些类型的分数或反馈。这与监督式学习等其他形式的机器学习形成对比,监督式学习使用一组事实(基础事实)来训练模型,以便它可以进行推理。

Read More

Amazon Forecast – 简化时间序列预测

二十多年来,Amazon 一直在竭力解决包括零售、供应链和服务器容量在内的多个领域的时间序列预测挑战。 如今,运用我们通过这样的经验掌握的机器学习技术,我们隆重推出 Amazon Forecast – 一项用于时间序列预测的完全托管式深度学习服务。Amazon Forecast 融合我们多年来构建和运行可扩展、高度准确的预测技术的丰富经验,形成一种简单易用、完全托管式的服务。

Read More

Amazon SageMaker Neo – 只需训练您的机器学习模型一次,即可随时随地运行它们

机器学习 (ML) 分为两个不同的阶段:训练和推理。训练涉及构建模型,即在数据集上运行 ML 算法以识别有意义的模式。这通常需要大量的存储和计算能力,从而使云成为了使用 Amazon SageMaker 和 AWS Deep Learning AMI 等服务训练 ML 作业的自然场所。

Read More

新增功能 – AWS Step Functions 的计算、数据库、消息传递、分析和机器学习集成

AWS Step Functions 是面向应用程序开发人员的完全托管式工作流服务。您可以从总体上进行思考和工作,以可靠和可重复的方式连接和协调活动,同时保持业务逻辑与工作流逻辑分离。在设计和测试工作流(我们称之为状态机)之后,您可以大规模进行部署,使数万甚至数十万个工作流同时独立运行。Step Functions 跟踪每个工作流的状态,负责重试瞬态故障活动,并简化监控和日志记录。要了解更多信息,请逐步浏览使用 AWS Step Functions 和 AWS Lambda 创建无服务器工作流教程。

Read More

新增功能 – 机器学习算法和模型包现已在 AWS Marketplace 上线

在 AWS,我们的使命是让机器学习成为每个开发人员的利器。因此我们在 2017 年推出了 Amazon SageMaker。从那以后,它已成为 AWS 历史上增长最快的服务之一,全球已经有数千客户。使用 Amazon SageMaker 的客户可以使用 Amazon SageMaker 中提供的优化算法,可以运行完全托管的 MXNet、TensorFlow、PyTorch 和 Chainer 算法, 也可自带算法和模型。在构建自己的机器学习模型时,许多客户花费大量的时间开发算法和模型,但只能解决已经解决的问题。

Read More