Les traductions sont fournies par des outils de traduction automatique. En cas de conflit entre le contenu d'une traduction et celui de la version originale en anglais, la version anglaise prévaudra.
Didacticiels MLflow utilisant des exemples de blocs-notes Jupyter
Les didacticiels suivants montrent comment intégrer des expériences MLflow dans vos flux de travail d’entraînement. Pour nettoyer les ressources créées dans le cadre d’un didacticiel de bloc-notes, consultez Nettoyage des ressources MLflow.
Vous pouvez exécuter des exemples de blocs-notes SageMaker AI JupyterLab à l'aide de Studio. Pour plus d’informations sur JupyterLab, consultez JupyterLab guide de l'utilisateur.
Explorez les exemples de blocs-notes suivants :
-
SageMaker Entraînement avec MLflow
— Entraînez et enregistrez un Scikit-Learn modèle à l'aide de l' SageMaker IA en mode script. Découvrez comment intégrer des expériences MLflow dans votre script d’entraînement. Pour plus d'informations sur l'entraînement des modèles, consultez Entraîner un modèle avec Amazon SageMaker AI. -
SageMaker AI HPO avec MLflow
— Découvrez comment suivre votre expérience de machine learning dans MLflow grâce au réglage automatique du modèle (AMT) d'Amazon SageMaker AI et au SDK AI. SageMaker Python Chaque itération d’entraînement est journalisée comme une exécution au sein de la même expérience. Pour plus d'informations sur l'optimisation des hyperparamètres (HPO), voir Effectuer un réglage automatique du modèle avec Amazon SageMaker AI. -
SageMaker Pipelines avec MLflow
: utilisez Amazon SageMaker Pipelines et MLflow pour entraîner, évaluer et enregistrer un modèle. Ce bloc-notes utilise le @stepdécorateur pour créer un pipeline d' SageMaker IA. Pour plus d’informations sur les pipelines et le décorateur@step, consultez Création d’un pipeline avec des fonctions décorées@step. -
Déployez un modèle MLflow sur l' SageMaker IA
: entraînez un modèle d'arbre de décision à l'aide SciKit-Learn de. Ensuite, utilisez Amazon SageMaker AI ModelBuilderpour déployer le modèle sur un point de terminaison d' SageMaker IA et exécutez une inférence à l'aide du modèle déployé. Pour plus d’informations surModelBuilder, consultez Déploiement de modèles MLflow avec ModelBuilder.
