亚马逊AWS官方博客

本博文介绍如何使用Terraform来对Amazon IoT进行规则操作的自动化部署。详细介绍了如何利用Amazon IoT规则操作在DynamoDB，通过Kinesis Data Firehose在S3来存储数据，以及使用Lambda进行数据处理。另外也提供了具体的Terraform部署模版的示例代码，供大家参考，从而更好的让大家能通过Terraform部署模版来自动化部署相关IoT规则操作，更好的便于管理以及可重复应用。

本文首先介绍了需要公开访问Amazon MSK集群的应用场景，并手把手地说明了如何配置Amazon MSK集群的Public Access选项，以及通过IAM访问认证的方式来安全地访问集群。之后，我们会通过另外的博客来介绍公开访问Amazon MSK集群的其他两种模式：SASL/SCRAM 和mTLS 身份验证，敬请期待！

近年来，随着互联网产生数据量的显著增长，一些客户开始询问他们应该如何更高效地使用 Amazon Redshift 。在本篇博客中，我们将通过一个案例探讨如何使用 Amazon Redshift RA3 节点、数据共享（data sharing）以及暂停和恢复（pause/resume）集群在本案例的业务场景下来大幅提升Amazon Redshift 集群的性价比。

本篇博客会聚焦如何使用开源的Gaea proxy ，一个开源的分库分表中间件工具，来进行数据库集群的构建。会涵盖分库分表、读写分离、分片表关联查询和failover自动识别等方面。

Rancher是亚马逊云科技的合作伙伴，通过Rancher，可以解决管理多个 Amazon Elastic Kubernetes Service (Amazon EKS) 集群的操作和安全挑战，同时为开发运维团队提供运行容器化工作负载的集成工具。 对于习惯使用Rancher的用户，既可以保持在Rancher 中养成的使用习惯，也可以借助亚马逊的托管 Kubernetes 解决方案Amazon EKS，用户可以在云中快速创建、管理可扩展的 Kubernetes 集群。

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。

自从2018年起，亚马逊云科技发布了一系列的产品和服务，例如Amazon SageMaker，Amazon Aurora ML，Amazon Redshift ML，和2021年reInvent发布的Amazon SageMaker Canvas，使得不同角色的工程师越来越容易构建机器学习应用，降低应用机器学习的门槛，以实现普惠机器学习。本系列文章将以上述产品为核心，从不同的角度帮助企业中不同部门的人员构建机器学习应用。

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。

在本篇文章中，我们将介绍如何无需写代码即可构建机器学习应用，Amazon SageMaker Canvas提供无代码、可视化的工作环境，即使没有机器学习背景知识，也可以基于自己业务需要构建机器学习模型。

本文主要讲解了如何在Amazon Aurora数据库里面使用SQL语句直接调用Amazon Comprehend 和Amazon SageMaker机器学习服务进行推理，让业务后端开发人员即使没有机器学习知识，也可以快速使用最熟悉的SQL语句调用机器学习服务，为业务提升价值。