Tag: Amazon SageMaker

物联网（IoT）的一个典型应用场景是能够从传感器数据中获取上下文洞察力，例如分析设备异常或者进行预测性维护，及时给予用户通知。在本文中，我们将专注于通过设备多项指标对设备进行预测性维护，利用机器学习算法，对设备运行状态进行预测，提前发现可能出现的异常，及时进行维护，避免出现严重的生产事故。

该博客介绍了如何利用亚马逊云科技的服务组件快速搭建电动车电池告警预测平台，包括存储海量测试数据，构建基于Xgboost分类算法的电池故障报警预测模型，推理预测数据以及可视化的数据展示。

Amazon SageMaker加入Amazon FSx Lustre和Amazon EFS作为训练机器学习模型的数据源，为您现在有了更大的灵活性来选择适合您使用场景的数据源。在此博客中，我们使用了文件系统数据源来训练机器学习模型，从而消除了数据下载步骤，缩短了训练开始时间。

本文介绍了如何在Amazon Ground Truth中为对象检测模型创建高效的端到端数据收集管道。您可以在创建对象检测模型时亲自体验整个操作过程。您也可以修改后期处理注释，以Pascal VOC格式生成带有标签的数据，可用于Faster RCNN等模型。您还可以在适当修改之后，将这套基本框架应用于其他特定于不同作业需求的数据标记管道。例如，您可以重写注释后处理过程改造框架用于实例分割任务，即对各类对象进行像素级标记，而不是本文示例中在对象周边绘制矩形

在本文中，我们讲解了F1与Amazon机器学习解决方案实验室的科学家们如何合作创建Fastest Driver——第一套以客观事实与数据资源驱动的分析模型，用于计算F1赛事历史上的最强车手。

今天，我非常高兴地宣布推出 Amazon SageMaker Edge Manager，它是 Amazon SageMaker 的一项新功能，可用于在边缘设备队列中更轻松地优化、保护、监控和维护机器学习模型。

今天，我非常高兴地宣布， Amazon SageMaker Debugger 现在可以分析机器学习模型，从而可以更轻松地识别和修复硬件资源使用导致的训练问题。

Amazon SageMaker JumpStart 现已集成到 Amazon SageMaker Studio 中，这是用于机器学习的完全集成开发环境 (IDE)，可直观地发现模型、解决方案等。

Infoblox团队使用Amazon SageMaker训练出一套深度CNN模型。此模型能够识别出与DNS域名中ASCII字符在外观上高度相似的Unicode字符。以此为基础，该模型还使用Unicode标准识别这些同形异义字符，验证准确率为0.969，测试F1得分为0.969。接下来，他们又编写一款检测器，使用此模型对Passive DNS流量上的IDN同形异义词进行检测，整个流程无需进行任何在线图像数字化或预测操作。

推荐系统的设计是一项艰巨的任务，有时需要对模型进行全面定制。在本文中，我们共同了解了如何在Amazon SageMaker当中从零开始实现、部署并调用NCF模型。以此为基础，大家可以运用自己的数据集打造出更适合自身场景的解决方案。