AWS专区

在 AWS 披露的一项数据中，自 2016 年推出 3 项机器学习服务以来的 5 年间，AWS 已经累计推出 776 的机器学习服务和功能。按照 2019 年的数据，新推出 248 项机器学习服务和功能后，机器学习在当年新推出服务和功能的总量（2345 项）中的比例超过 10%

过去两个月的科技媒体上关于ARM 芯片的新闻可谓是高潮迭起，不断的引起人们的关注。

生成对抗网络（GAN）是一种生成式机器学习模型，它被广泛应用于广告、游戏、娱乐、媒体、制药等行业，可以用来创造虚构的人物、场景，模拟人脸老化，图像风格变换，以及产生化学分子式等等。下面两张图片，分别展示了图片到图片转换的效果，以及基于语义布局合成景物的效果。

本文将重点讨论使用 Amazon SageMaker 进行分布式 TensorFlow 训练。

在本篇blog中，我们会使用XGBoost算法为例，完整的展示Amazon SageMaker中一个ML工作流的全生命周期。使用到的数据是个公开的房价预测的数据集。

在开篇的时候我谈到，这个系列的内容来自于我在使用GPU实践中的一点心得。但是围绕GPU相关的技术话题实在是太过于广泛，如果洋洋洒洒的写下去我很担心会错过许多新鲜的话题。于是就让这一篇成为这个系列的终结篇，并且分享一下使用GPU的最重要的领域-深度学习上的框架与工具这个内容吧。

基于深度学习的图像分类的研究与应用已经进行的如火如荼，对大部分的业务场景来说，更是有着深刻的现实意义 – 基于图片的互联网分享社交应用，如何借助深度学习在第一时间对用户分享的图片进行实时监测，分类是一个比较典型的应用场景；

在本文中，AWS会尝试说明为什么您应该考虑使用 Docker 容器进行机器学习开发。在本文的前半部分，将讨论在使用复杂的开源机器学习软件时遇到的主要难题，以及采用容器将如何缓和这些问题。

在本篇博客中，会简要介绍时间序列预测的场景、常见的分类及对应算法、DeepAR 算法的优势以及如何使用 DeepAR 算法进行时间序列预测。

本文为您理解人工智能奠定了基础，阐述了当今人工智能如何以机器学习为基础，并对 AWS 机器学习服务做了简单介绍。

6 月 23 日，Amazon Web Services（AWS）与 Formula One Group (F1) 在美国西雅图共同宣布，将在 F1 2020 赛季新增六项实时赛车数据。

三年来，人工智能技术飞速发展，逐步从实验室走到普通人的身边。需求是推动技术进步的一大要义。我们相信，每多一个人探索，世界就会进步一点。

下面无忧熊将带你了解一下 Amazon SageMaker 如何高效赋能开发者、数据科学家。

对于奇特企业以及企业领导而言，掌握机器学习功能是重中之重，也是刻不容缓。

不久前，国内某云计算团队连续被曝出在官网、对外宣讲资料中“借鉴”了亚马逊 AWS 的相关内容，引发了行业内的一波讨论热潮。不过，面对这样的新闻，熟悉 AWS 的朋友们却笑而不语。