亚马逊AWS官方博客

在 Amazon EKS 上开始应用程序开发可能需要创建 Kubernetes 集群和代码库，还需要配置部署管道以将代码更改持续推送到集群。在本博文中，Stelligent 的 Casey Lee 展示了如何使用开源工具 mu 简化所有 AWS 资源的声明和管理，以便您可以专注于开发应用程序。

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。

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。

在 AWS re:Invent 2017 大会上发布的 Amazon SageMaker 旨在帮助客户快速构建、训练和部署 ML 模型。今天，随着 Amazon SageMaker RL 的推出，我们很高兴地将 Amazon SageMaker 的优势延伸到强化学习，让所有开发者和数据科学家都能更轻松地实现强化学习 – 不论其在 ML 领域的专业知识水平如何。

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。

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。

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。

软件开发人员都有自己偏爱的工具。有些使用功能强大的编辑器，还有的使用针对特定语言和平台定制的集成开发环境 (IDE)。2014 年，我使用 Lambda 控制台中的编辑器创建了我的第一个 AWS Lambda 函数。现在，您可以从一组丰富的工具中进行选择，以构建和部署无服务器应用程序。例如，去年 AWS Cloud9 发布时，Lambda 控制台中的编辑器得到了极大的改进。 对于 .NET 应用程序，您可以使用 AWS Toolkit for Visual Studio 和 AWS Tools for Visual Studio Team Services。

今天，我们将介绍两项新功能，这些功能将使无服务器开发变得更加轻松：
Lambda Layers，一种集中管理跨多个函数共享的代码和数据的方法。
Lambda Runtime API，一个使用任何编程语言或特定语言版本来开发您的函数的简单接口。

请仔细查看 AWS re:Invent 活动目录，确认您要参加的会议的日期、时间、地点！