亚马逊AWS官方博客

Tag: machine learning

使用 Trinity Audio WordPress 插件将您的内容免费转换为音频

本博文由 Trinity Audio 的联合创始人兼首席执行官 Ron Jaworski 特约发表。用他们自己的话说,“Trinity Audio 是一个音频内容解决方案平台,可满足世界各地各种类型和规模的出版商和内容创建者,并且能够通过将读者转变为听众来帮助他们加入持续进行的音频革命行列中,从而创造当代受众非常期待的体验。”

Read More

利用 Amazon CodeGuru Profiler 调查性能问题

Amazon CodeGuru(预览版)能够分析应用程序的性能特征,并自动提供性能改善建议。Amazon CodeGuru Profiler 提供交互式可视化图形界面,以显示应用程序的运行时间耗费在什么地方。这些火焰图是功能强大的工具,可帮助您排查哪些代码方法造成延迟或使用过多 CPU 资源。

Read More

预测性维护在工业物联网的应用

质量问题是工业企业的重大影响因素,如果无法确定质量问题的根本原因,就需要花费过多的时间和精力来纠正这些问题,可能会降低产量或造成高昂的产品召回。另外识别潜在的故障,延长设备使用寿命从而提高安全性并进一步优化供应链是预测性故障重要的方向。

Read More

利用 Amazon Elastic Inference 设置工具在几分钟内快速加载 EI 加速器

Elastic Inference使得您可以将低成本的以GPU为动力的计算加速附加到 Amazon EC2 和 Amazon SageMaker 实例,从而将运行深度学习推理的成本降低多达 75%。如果您是第一次使用 EI,必须设置若干依赖项:Amazon Web Services (AWS) PrivateLink VPC 终端节点、IAM 策略和安全组规则。您可以使用 EI 设置工具来加速这一过程,它能够在几分钟内创建所需的资源帮助您启动 EI 加速器,使您快速上手。本文阐述了如何使用脚本、脚本的功能以及运行脚本时的情况。

Read More

使用AWS Sagemaker训练因子分解机模型并应用于推荐系统

本博客中的实验采用国内用户对大量国内外电影的评论作为训练数据集,利用AWS SageMaker自带的因子分解机算法构建模型,通过SageMaker的超参调优服务观察参数调整对模型表现的影响。最后,以实际应用中经常会遇到的用法演示模型的预测结果。本次实验全部使用Python3.6完成,在SageMaker中选用conda_python3的Kernel。

Read More

使用 Amazon SageMaker 通过自定义数据集训练模型

对于刚上手机器学习的从业人员而言,业务需求所需要呈现的结果,往往不仅是用公开数据集就能够训练出合适的模型。我们往往只有少量的业务相关数据,甚至这些数据也需要从零开始收集整合,而这之后还需要进行数据清洗、数据打标签、特定数据格式转化等复杂的制作特定数据集的步骤,这些工作会阻塞住我们前进的脚步。除了容易在数据集上举步不前外,对于所需要数据量的误解也是另外一大阻碍因素。我们总认为进行机器学习需要“大量”的数据,究竟需要多少数据?在仅有少量数据时就不能训练出准确率较高的模型?本文试图从零开始,从制作自己的数据集开始,来探讨上面提出的问题。

Read More