MLflow-Tutorials mit Beispiel-Jupyter-Notebooks

SageMaker Training mit MLflow — Trainieren und registrieren Sie ein Scikit-Learn Modell mithilfe von SageMaker KI im Skriptmodus. Erfahren Sie, wie Sie MLflow-Experimente in Ihr Trainingsskript integrieren können. Weitere Informationen zum Modelltraining finden Sie unter Trainieren Sie ein Modell mit Amazon SageMaker AI.

SageMaker AI HPO mit MLflow — Erfahren Sie, wie Sie Ihr ML-Experiment in MLflow mit Amazon SageMaker AI Automatic Model Tuning (AMT) und dem SageMaker AI SDK verfolgen können. Python Jede Trainingsiteration wird als Lauf innerhalb desselben Experiments protokolliert. Weitere Informationen zur Hyperparameter-Optimierung (HPO) finden Sie unter Automatische Modelloptimierung mit Amazon AI durchführen. SageMaker

SageMaker Pipelines mit MLflow — Verwenden Sie Amazon SageMaker Pipelines und MLflow, um ein Modell zu trainieren, zu evaluieren und zu registrieren. Dieses Notizbuch verwendet den @step Decorator, um eine KI-Pipeline zu erstellen. SageMaker Weitere Informationen zu Pipelines und dem @step Decorator finden Sie unter Erstellen einer Pipeline mit @step-gekennzeichneten Funktionen.

Stellen Sie ein MLflow-Modell für die SageMaker KI bereit — Trainieren Sie ein Entscheidungsbaummodell mithilfe von. SciKit-Learn Verwenden Sie dann Amazon SageMaker AI, ModelBuilder um das Modell auf einem SageMaker KI-Endpunkt bereitzustellen, und führen Sie mithilfe des bereitgestellten Modells Inferenzen durch. Mehr über ModelBuilder erfahren Sie unter Bereitstellen von MLflow-Modellen mit ModelBuilder.