Terjemahan disediakan oleh mesin penerjemah. Jika konten terjemahan yang diberikan bertentangan dengan versi bahasa Inggris aslinya, utamakan versi bahasa Inggris.
Tutorial MLFlow menggunakan contoh notebook Jupyter
Tutorial berikut menunjukkan cara mengintegrasikan eksperimen MLFlow ke alur kerja pelatihan Anda. Untuk membersihkan sumber daya yang dibuat oleh tutorial buku catatan, lihatBersihkan sumber daya MLFlow.
Anda dapat menjalankan notebook contoh SageMaker AI menggunakan JupyterLab di Studio. Untuk informasi selengkapnya tentang JupyterLab, lihat JupyterLab panduan pengguna.
Jelajahi contoh buku catatan berikut:
-
SageMaker Pelatihan dengan MLFlow
— Latih dan daftarkan Scikit-Learn model menggunakan SageMaker AI dalam mode skrip. Pelajari cara mengintegrasikan eksperimen MLFlow ke dalam skrip pelatihan Anda. Untuk informasi selengkapnya tentang pelatihan model, lihat Mel atih Model dengan Amazon SageMaker AI. -
SageMaker AI HPO dengan MLFlow
— Pelajari cara melacak eksperimen ML Anda di MLFlow dengan penyetelan model otomatis Amazon SageMaker AI (AMT) dan AI SDK. SageMaker Python Setiap iterasi pelatihan dicatat sebagai run dalam eksperimen yang sama. Untuk informasi selengkapnya tentang optimasi hyperparameter (HPO), lihat Mel akukan Penyetelan Model Otomatis dengan Amazon SageMaker AI. -
SageMaker Pipeline dengan MLFlow
— Gunakan Amazon Pipel SageMaker ines dan MLFlow untuk melatih, mengevaluasi, dan mendaftarkan model. Notebook ini menggunakan @stepdekorator untuk membangun SageMaker AI Pipeline. Untuk informasi selengkapnya tentang pipeline dan@stepdekorator, lihat Membuat pipa dengan fungsi@step-. -
Terapkan Model MLFlow ke SageMaker AI
— Latih model pohon keputusan menggunakan SciKit-Learn. Kemudian, gunakan Amazon SageMaker AI ModelBuilderuntuk menerapkan model ke titik akhir SageMaker AI dan menjalankan inferensi menggunakan model yang digunakan. Untuk informasi selengkapnya tentangModelBuilder, lihat Terapkan model MLFlow dengan ModelBuilder.
