机器学习

近两年，机器学习已经渗透到各行各业，各种人工智能和机器学习的应用蓬勃发展，在其背后实际上会有一个完善的机器学习平台和流水线来支撑模型的开发、测试和迭代。在本篇 Blog 中，我们将展现如果通过 AWS 的服务构建云原生的机器学习流水线。

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。

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%

Amazon SageMaker Processing 是 Amazon SageMaker 的一项新功能，可让您轻松地在完全托管的基础设施上运行预处理、后处理和模型评估工作负载。

Amazon SageMaker Studio 最后统一了 ML 开发所需的所有工具。开发人员可以在一个集成的可视界面中编写代码、跟踪实验、可视化数据以及进行调试和监控，从而极大地提高了开发人员的工作效率。

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；

本文将向您介绍如何使用Amazon Kendra功能创建企业内部搜索系统，借此构建解决方案以创建并查询自己的搜索索引。在本文的示例中，我们将使用HTML格式的Amazon.com帮助文档作为数据源，但Amazon Kendra也支持微软Office（.doc、.ppt等）、PDF以及其他多种文本格式。

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。