Tag: machine learning

本次小米人车神争霸赛使用了re:invent 2018跑道，笔者的队伍“旋风冲锋龙卷风”在线下比赛中跑出了25s三圈的成绩，一举夺得冠军。作者将在本篇博客中介绍模型训练的策略和比赛经验，希望可以对读者有所帮助。

AWS ProServe GCR 利用机器学习进行多步时间序列预测解决方案。

本文介绍一种将金融领域时序特征数据转换为图像，利用sagemaker快速实现欺诈行为识别的解决方案。

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。

在本篇文章中，我们将介绍如何无需写代码即可构建机器学习应用，Amazon SageMaker Canvas提供无代码、可视化的工作环境，即使没有机器学习背景知识，也可以基于自己业务需要构建机器学习模型。

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。

在本篇文章中，我们将会为您展示一个简单的 2 分类预测的机器学习场景，通过加载存放于数据仓库Amazon Redshift 中的银行客户画像和业务行为特征，来完成建模前特征的快速准备和预测是否办理存款业务模型的快速验证。

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。