MLflow tutoriels utilisant des exemples de blocs-notes Jupyter

SageMaker Entraînement avec MLflow — Entraînez et enregistrez un modèle Scikit-Learn à l'aide de l' SageMaker IA en mode script. Découvrez comment intégrer MLflow des expériences dans votre script de formation. Pour plus d'informations sur la formation des modèles, consultez la section Entraîner un modèle avec Amazon SageMaker AI.

SageMaker AI HPO avec MLflow — Découvrez comment suivre votre expérience de machine learning MLflow grâce au réglage automatique des modèles (AMT) d'Amazon SageMaker AI et à l' SageMaker IA 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 AI.

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