Author: AWS Localization

在 AWS re:Invent 2017 大会上发布的 Amazon SageMaker 旨在帮助客户快速构建、训练和部署 ML 模型。今天，随着 Amazon SageMaker RL 的推出，我们很高兴地将 Amazon SageMaker 的优势延伸到强化学习，让所有开发者和数据科学家都能更轻松地实现强化学习 – 不论其在 ML 领域的专业知识水平如何。

二十多年来，Amazon 一直在竭力解决包括零售、供应链和服务器容量在内的多个领域的时间序列预测挑战。 如今，运用我们通过这样的经验掌握的机器学习技术，我们隆重推出 Amazon Forecast – 一项用于时间序列预测的完全托管式深度学习服务。Amazon Forecast 融合我们多年来构建和运行可扩展、高度准确的预测技术的丰富经验，形成一种简单易用、完全托管式的服务。

机器学习 (ML) 分为两个不同的阶段：训练和推理。训练涉及构建模型，即在数据集上运行 ML 算法以识别有意义的模式。这通常需要大量的存储和计算能力，从而使云成为了使用 Amazon SageMaker 和 AWS Deep Learning AMI 等服务训练 ML 作业的自然场所。

AWS Step Functions 是面向应用程序开发人员的完全托管式工作流服务。您可以从总体上进行思考和工作，以可靠和可重复的方式连接和协调活动，同时保持业务逻辑与工作流逻辑分离。在设计和测试工作流（我们称之为状态机）之后，您可以大规模进行部署，使数万甚至数十万个工作流同时独立运行。Step Functions 跟踪每个工作流的状态，负责重试瞬态故障活动，并简化监控和日志记录。要了解更多信息，请逐步浏览使用 AWS Step Functions 和 AWS Lambda 创建无服务器工作流教程。

软件开发人员都有自己偏爱的工具。有些使用功能强大的编辑器，还有的使用针对特定语言和平台定制的集成开发环境 (IDE)。2014 年，我使用 Lambda 控制台中的编辑器创建了我的第一个 AWS Lambda 函数。现在，您可以从一组丰富的工具中进行选择，以构建和部署无服务器应用程序。例如，去年 AWS Cloud9 发布时，Lambda 控制台中的编辑器得到了极大的改进。 对于 .NET 应用程序，您可以使用 AWS Toolkit for Visual Studio 和 AWS Tools for Visual Studio Team Services。

今天，我们将介绍两项新功能，这些功能将使无服务器开发变得更加轻松：
Lambda Layers，一种集中管理跨多个函数共享的代码和数据的方法。
Lambda Runtime API，一个使用任何编程语言或特定语言版本来开发您的函数的简单接口。

请仔细查看 AWS re:Invent 活动目录，确认您要参加的会议的日期、时间、地点！

最近人工智能和深度学习的发展迅速，其中一个原因是图形处理单元 (GPU) 神奇的计算能力。大约十年前，研究人员学会了如何利用大规模硬件并行架构来进行机器学习和高性能计算：爱好探索的人将对 2009 年斯坦福大学发表的半年度报告 (PDF) 趋之若鹜。

在 AWS，我们的使命是让机器学习成为每个开发人员的利器。因此我们在 2017 年推出了 Amazon SageMaker。从那以后，它已成为 AWS 历史上增长最快的服务之一，全球已经有数千客户。使用 Amazon SageMaker 的客户可以使用 Amazon SageMaker 中提供的优化算法，可以运行完全托管的 MXNet、TensorFlow、PyTorch 和 Chainer 算法， 也可自带算法和模型。在构建自己的机器学习模型时，许多客户花费大量的时间开发算法和模型，但只能解决已经解决的问题。

今天，大部分机器学习任务都使用一种被称为监管学习的方法：通过一种算法从带标签的数据集中学习模式或行为。带标签的数据集包含数据样本以及每个样本的准确答案，也就是“地面实况”。根据所拥有的问题不同，人们可以使用带标签的图像（“这是一只狗”、“这是一只猫”）、带标签的文本（“这是垃圾邮件”、“这不是”）等等。