亚马逊AWS官方博客

本文介绍如何使用Forecast支持的方法选项填充TTS与RTS数据集中的缺失值。您可以在提供Forecast服务的所有区域中立即开始使用这项功能。如果您有任何反馈意见，请通过AWS论坛或者常规AWS支持渠道与我们联系。

一个星期五的下午五点，您花费了整整一个下午在编码处理一个复杂、繁琐的特征工程策略。这个策略在您的Amazon SageMaker Studio t3.medium notebook上已经开始工作，你想做的是插入这个策略到一个大型实例中，通过水平扩展将其覆盖剩余数据集，然后下班回家。虽然您可以直接升级notebook实例，但只要一关上您的电脑，这项作业马上就会停止。既然如此，为什么不直接从您的notebook调度作业？

加入我们，观看由 AWS 解决方案架构师和工程师主导的实时在线演示。AWS 在线技术讲座涵盖了一系列主题和多层次的专业知识，包括技术深入探讨、演示、客户示例以及 AWS 专家的实时问答。

随着机器学习和深度学习模型变得更加精密，越来越需要通过硬件加速以更高的吞吐量实现更快的预测。今天，我们非常兴奋地宣布，AWS 客户现在可将 Amazon EC2 Inf1 实例用在 Amazon ECS 上，以在云中获得高性能和最低的预测成本。现在，这些实例已经可以在 Amazon Elastic Kubernetes Service 使用几个星期。

去年，我向您介绍了 Amazon Braket，并解释了量子计算的基础知识，从量子位开始，一直发展到量子电路。在预览期间，Enel、Fidelity（使用 Amazon Web Services 探索量子计算）和 Volkswagen 等 AWS 客户一直在使用 Amazon Braket 探索和获取量子计算方面的体验。

今天，我们宣布通过更新 Amazon States Language (ASL) 来增强 AWS Step Functions。ASL 是一种基于 JSON 的结构化语言，用于定义状态机和可执行工作的状态集合（任务状态），确定要过渡到下一个状态的状态（选择状态），并在出错时停止执行（失败状态）。通过今天推出的更新，客户可以编写简化的工作流应用程序，提高状态机定义的灵活性，减少 lambd 调用，并减少状态过渡以节省成本。

本文介绍了如何配置Kubeflow Pipelines以通过Amazon SageMaker运行机器学习作业。Kubeflow Pipelines是一套开源机器学习编排平台，在希望立足Kubernetes构建并管理自定义机器学习工作流的开发者群体中广受欢迎。但不少开发人员及MLOps团队在Kubeflow Pipelines的实际运营中遭遇挑战，发现自己难以管理Kubernetes集群的机器学习优化工作，无法获得良好的投资回报率或者承担极高的总体拥有成本。

本文基于 FFmpeg 最新版本（4.3）对 C5 以及 C6g 实例的转码性能做了详细的对比测试，展示了Amazon EC2 C6g 实例为转码工作负载所带来的更好的性价比

“为您推荐”成为我们团队乃至整个StockX公司的一次巨大胜利。我们开始迅速将机器学习技术整合至企业中的各个层面。而我们获得的成功，也使得企业决策者同意在更多StockX体验场景当中集成Amazon Personalize，并不断扩大我们在机器学习领域投入的精力。可以肯定地讲，个性化如今已经成为StockX内部的头等大事。

面向Amazon SageMaker的开源XGBoost容器提供全托管使用体验与其他多种优势，可帮助您节约训练成本并进一步提升机器学习应用灵活性。