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