Author: AWS Team

详细介绍了BeeGFS并行文件系统的Buddy Group使用和故障恢复功能。

本文向您展示了 HAQM DocumentDB 的入门操作，包括创建 AWS Cloud9 环境、安装 mongo shell、创建 HAQM DocumentDB 集群、连接到集群以及通过执行一些查询在 HAQM DocumentDB 内部轻松插入和查询 JSON 文档。

本文向您展示了 HAQM DocumentDB 的入门操作，包括创建 EC2 实例、安装 mongo shell、创建 HAQM DocumentDB 集群、连接到集群以及通过执行一些查询在 HAQM DocumentDB 内部轻松插入和查询 JSON 文档。

HAQM Aurora全球数据库允许用户创建全局分布式应用程序，保证为远程区域内的本地读取操作提供支持。以此为基础，您可以在灾难恢复解决方案中实现极优的RPO与RTO水平，也可以向世界各地的用户提供延迟更低的读取响应。通过写入转发功能，我们现在还能够让全局应用程序以更少的代码变更在远程区域内轻松执行写入操作。

How build Datalake with AWS Data Wrangler

在本文中，您创建了一个主动学习工作流，并使用该工作流从 ML 模型推论和人工工作线程产生高质量的标签。 您可以将此工作流用于各种自定义添加标签任务，以减少为大型数据集添加标签的成本。您可以使用任何自定义学习算法和主动学习逻辑，并根据需要更改此示例。要开始使用 Blazing Text 预览主动学习工作流，请启动 Cloud Formation 堆栈并完成第 1 部分。

在此博文中，我们展示了使用 HAQM Translate 翻译文档的两种不同解决方案的实现，一种是使用异步批量翻译的简单方法，另一种是使用 AWS Lambda 和 HAQM 实时翻译的高级方法。立即在 HAQM Translate 上构建您的第一个翻译作业。

本文讨论了如何通过 Forecast 及其基础系统架构使用智能电表数据预测单个客户的用电需求。您可以使用 DeepAR+ 和天气数据提高模型的准确性，达到约 96％ 的预测准确性（由 MAPE 确定）。

本文探讨了使用HAQM SageMaker进行迭代模型剪枝的方法，同时介绍了如何通过识别对训练过程鲜有帮助的冗余参数来显著降低模型大小并保持模型准确性。我们还在本文中引入了使用预训练模型的应用示例，可以看到该模型通过迭代剪枝成功实现了准确性保障前提下的“瘦身”任务。

本文探讨了Autodesk公司如何使用SageMaker Debugger实现机器学习模型的设计、训练与调试。您也可以使用SageMaker Deubbger以节约时间、降低计算成本并控制模型大小。