Tag: Amazon SageMaker

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。

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。

最激动人心的 AWS re:Invent 2020 公告之一是新增一项 Amazon SageMaker 功能 […]

在这篇博文中，我们讨论了 TR 如何使用 Amazon SageMaker 加快研发工作，以及如何在实现这一目标时显著节省成本和提高灵活性。我们说明了该团队如何尝试使用 BERT 的多种变体来产生强大的问答能力。最后，我们介绍了 TR 的安全内容工作区 (SCW)，它使团队能够轻松安全地访问 Amazon SageMaker 资源和 TR 专有数据。

这是一篇由来自 iHeartRadio 的 Matt Fielder 和 Jordan Rosenblum 撰写的客座博文。用他们自己的话说，“iHeartRadio 是一个流媒体音频服务，每个月的用户达数千万，每天的注册人数累计上万。”

在这篇blog中，我们将以DPRNNTasNet为例探索开源代码迁移到SageMaker的过程与SageMaker优势，如算法一键训练，模型一键部署，自定义运行环境，过程监控等。DPRNNTasNet是 2020 ICASSP 语音分离SOTA（state of the art）模型。

SageMaker Studio 提供了一个基于 Web 的单一可视化界面，您可以在其中执行准备数据以及构建、训练和部署模型所需的所有 ML 开发步骤。将 Amazon SageMaker Studio 代码存储在 AWS CodeCommit 存储库中，您可以将它们作为独立文档保存以备将来重用。 继续阅读以了解在 CodeCommit 上配置基于 git 的存储库以管理使用 SageMaker 开发的 ML 代码的步骤。

使用 Amazon 托管的机器学习产品 Personalize 新推出的 User Segmentation 功能，可以帮助没有机器学习背景的人轻松地完成客户分群，做到精准化运营，提高广告投放的转化率，商品推荐的召回率。