MLflowtutoriels utilisant des exemples de blocs-notes Jupyter

SageMaker Entraînement avec MLflow — Entraînez et enregistrez un modèle Scikit-Learn SageMaker en mode script. Découvrez comment intégrer MLflow des expériences dans votre script de formation. Pour plus d'informations sur la formation des modèles, consultez Train a Model with Amazon SageMaker.

SageMaker HPOavec MLflow — Découvrez comment suivre votre expérience de machine learning MLflow avec Amazon SageMaker Automatic Model Tuning (AMT) et le SageMaker Python SDK. Chaque itération d'entraînement est enregistrée comme une exécution dans le cadre de la même expérience. Pour plus d'informations sur l'optimisation des hyperparamètres (HPO), consultez Effectuer un réglage automatique du modèle avec Amazon SageMaker.

SageMaker Pipelines avec MLflow : utilisez Amazon SageMaker Pipelines MLflow pour entraîner, évaluer et enregistrer un modèle. Ce bloc-notes utilise le @step décorateur pour créer un SageMaker pipeline. Pour plus d'informations sur les pipelines et le @step décorateur, voir Création d'un pipeline avec des fonctions @step décorées.

Déployer un MLflow modèle pour SageMaker — Entraînez un modèle d'arbre décisionnel à l'aide de SciKit -Learn. Utilisez ensuite Amazon SageMaker ModelBuilder pour déployer le modèle sur un SageMaker point de terminaison et exécuter l'inférence à l'aide du modèle déployé. Pour plus d'informations sur ModelBuilder, consultez Déployez MLflow des modèles avec ModelBuilder.