亚马逊AWS官方博客

机器学习 (ML) 已经常态化应用于各个行业，但除了简单的预测场景之外，还有更为复杂的决策制定场景，为了支持长期的战略性目标，人们有时会选择，甚至必须作出非最优的短期决策。利用一种叫做强化学习 (RL) 的 ML 模型，可以学习如何优化策略，从而根据长期目标制定系列决策。

通过STS实现终端用户只能管理自己的S3文件的场景来介绍STS的Session Tags功能，通过STS Session Tags，让AWS的资源的权限管理更加灵活，可自定义化。本文只演示了S3资源，但实际生产中可将STS Session Tags应用于所有AWS资源。

通过实施远程分布式agile/EDF的一些实践，我们设法将2个月的预期新冠肺炎延迟减少到2个周左右。如果说有哪些你需要注意的，请看以下3方面：（1）远程交付会花费更多精力，需要会前内容准备和人员工具等的设置工作 – 要比往常投入更多才能顺利开展，尤其是在第一次远程迭代期间，（2）不要仅靠操作手册 – 响应客户的挑战，并相应地调整人员工具等的配置工作，并且（3）坚定执行迭代控制会议 – 否则沟通成本只会更高，进而更加阻碍项目进度。

本文将引领读者，从工程实践角度出发，借助 AWS 机器学习相关云计算服务，基于 PyTorch 机器学习框架，构建第一个生成对抗网络，开启全新的、有趣的机器学习和人工智能体验。

Amazon SageMaker Operator 可以帮助数据科学家以及开发人员利用Kubernetes的接口来创建和管理SageMaker的任务，如机器学习的模型训练、超参优化、批量转换以及实时推理等。如图所示，SageMaker Operator可以让 开发与运维人员可以通过kubectl命令行或者kubernetes api接口调用的方式来管理和使用SageMaker服务，它就像翻译器一样，在Kubernetes平台与AWS SageMaker 服务之间搭建了一座桥梁，让那些已经很很熟悉Kubenretes 的开发、运维人员在无需投入过多精力的情况下，即可快速地使用SageMaker服务。

借助Rekognition对照片特征进行提取并构建不同的集合，用户根据需要将照片与不同集合进行比对，应用场景如：对不同家庭、班级构建集合，输入合照识别其中的家庭、班级成员。

Amazon EKS 简化了 Kubernetes 集群的构建与维护，而 Pachyderm 进一步简化了分析类工作流的运行与管理，两者结合，无疑将使得在 Kubernetes 平台上部署企业级分析平台更为轻松。本文通过一个 GATK 基因分析的示例来演示搭建和使用的过程，为您在 Amazon EKS 上采用该解决方案提供参考。

本文主要关于使用AWS Neuron SDK在AWS Inferentia芯片上进行机器学习推理。

本文是玩转GPU实例之三的系统优化篇。

Amazon WorkSpaces 提供了灵活的付费方式，使得用户可以按月或按小时付费。按月计费适合需要全天使用 Amazon WorkSpaces 或将其用作主要桌面的工作人员。对于并非需要长时间运行的工作场景，比如兼职工作人员、临时性工作分担、频繁出差的人员、短期项目、在线培训和教育等，使用按小时付费是一种能够很好节约成本的方式。Amazon WorkSpaces 计费模式能够非常灵活的进行选择和切换，只需要通过配置相应实例的运行模式（Running Mode）即可。