Le traduzioni sono generate tramite traduzione automatica. In caso di conflitto tra il contenuto di una traduzione e la versione originale in Inglese, quest'ultima prevarrà.
Tutorial di MLflow con notebook Jupyter di esempio
I seguenti tutorial mostrano come integrare gli esperimenti di MLflow nei flussi di lavoro di addestramento. Per eliminare le risorse create dal tutoriale di un notebook, consulta Eliminazione delle risorse MLflow.
Puoi eseguire taccuini di esempio di SageMaker intelligenza artificiale utilizzando in Studio. JupyterLab Per ulteriori informazioni su JupyterLab, consulta JupyterLab guida per l'utente.
Esplora i notebook di esempio riportati di seguito.
-
SageMaker Addestramento con MLFlow
: addestra e registra un Scikit-Learn modello utilizzando l' SageMaker intelligenza artificiale in modalità script. Scopri come integrare gli esperimenti MLflow nel tuo script di addestramento. Per ulteriori informazioni sull'addestramento dei modelli, consulta Addestrare un modello con Amazon SageMaker AI. -
SageMaker AI HPO con MLFlow
: scopri come monitorare il tuo esperimento ML in MLFlow con Amazon SageMaker AI Automatic Model Tuning (AMT) e AI SDK. SageMaker Python Ogni iterazione di addestramento viene registrata come esecuzione all’interno dello stesso esperimento. Per ulteriori informazioni sull'ottimizzazione degli iperparametri (HPO), consulta Eseguire l'ottimizzazione automatica dei modelli con Amazon AI. SageMaker -
SageMaker Pipeline con MLFlow
: utilizza Amazon SageMaker Pipelines e MLFlow per addestrare, valutare e registrare un modello. Questo notebook utilizza il @stepdecoratore per creare una pipeline AI. SageMaker Per ulteriori informazioni sulle pipeline e sul decoratore@step, consulta Creazione di una pipeline con funzioni decorate con@step. -
Implementa un modello MLFlow sull' SageMaker IA
: addestra un modello ad albero decisionale utilizzando. SciKit-Learn Quindi, utilizza Amazon SageMaker ModelBuilderAI per distribuire il modello su un endpoint di SageMaker intelligenza artificiale ed eseguire l'inferenza utilizzando il modello distribuito. Per ulteriori informazioni suModelBuilder, consultare Implementazione dei modelli MLflow con ModelBuilder.
