翻訳は機械翻訳により提供されています。提供された翻訳内容と英語版の間で齟齬、不一致または矛盾がある場合、英語版が優先します。
サンプル Jupyter Notebook を使用した MLflow チュートリアル
次のチュートリアルでは、MLflow の実験をトレーニングワークフローに統合する方法を紹介します。ノートブックのチュートリアルで作成したリソースをクリーンアップするには、「MLflow リソースをクリーンアップする」を参照してください。
Studio で JupyterLab を使用して SageMaker AI サンプルノートブックを実行できます。JupyterLab の詳細については、「JupyterLab ユーザーガイド」を参照してください。
次のサンプルノートブックを確認してください。
-
MLflow を使用した SageMaker トレーニング
— スクリプトモードで SageMaker AI を使用して Scikit-Learn モデルをトレーニングして登録します。MLflow の実験をトレーニングスクリプトに統合する方法を確認できます。モデルトレーニングの詳細については、Amazon SageMakerでモデルをトレーニングする」を参照してください。 -
MLflow を使用した SageMaker AI HPO
— Amazon SageMaker AI 自動モデル調整 (AMT) と SageMaker AI Python SDK を使用して MLflow で ML 実験を追跡する方法について説明します。各トレーニングイテレーションは、同じ実験内の実行 (Run) として記録されます。ハイパーパラメータ最適化 (HPO) の詳細については、Amazon SageMaker AI による自動モデル調整の実行」を参照してください。 -
SageMaker Pipelines with MLflow
- Amazon SageMaker Pipelines と MLflow を使用して、モデルのトレーニング、評価、登録を行います。このノートブックでは、 デ @step
コレータを使用して SageMaker AI パイプラインを構築します。パイプラインと@step
デコレータの詳細については、「Create a pipeline with@step
-decorated functions」を参照してください。 -
MLflow モデルを SageMaker AI にデプロイ
する — SciKit-Learn を使用して決定木モデルをトレーニングします。次に、Amazon SageMaker AI を使用してモデルを SageMaker AI エンドポイントに ModelBuilder
デプロイし、デプロイされたモデルを使用して推論を実行します。ModelBuilder
の詳細については、「ModelBuilder で MLflow モデルをデプロイする」を参照してください。