기계 번역으로 제공되는 번역입니다. 제공된 번역과 원본 영어의 내용이 상충하는 경우에는 영어 버전이 우선합니다.
다음 자습서에서는 MLflow 실험을 훈련 워크플로에 통합하는 방법을 보여줍니다. 노트북 자습서에서 생성된 리소스를 정리하는 방법은 MLflow 리소스 정리에서 확인하세요.
Studio에서 JupyterLab을 사용하여 SageMaker AI 예제 노트북을 실행할 수 있습니다. JupyterLab에 대한 자세한 내용은 JupyterLab 사용 설명서에서 참조하세요.
다음 예제 노트북을 살펴보세요.
-
MLflow를 사용한 SageMaker 훈련
- 스크립트 모드에서 SageMaker AI를 사용하여 Scikit-Learn 모델을 훈련하고 등록합니다. MLflow 실험을 훈련 스크립트에 통합하는 방법을 알아봅니다. 모델 훈련에 대한 자세한 내용은 Amazon SageMaker AI로 모델 훈련을 참조하세요. -
MLflow를 사용하는 SageMaker AI HPO
- Amazon SageMaker AI 자동 모델 튜닝(AMT) 및 SageMaker AI Python SDK를 사용하여 MLflow에서 ML 실험을 추적하는 방법을 알아봅니다. 각 훈련 반복은 동일한 실험 내에서 실행으로 기록됩니다. 하이퍼파라미터 최적화(HPO)에 대한 자세한 내용은 Amazon SageMaker AI를 사용한 자동 모델 튜닝 수행을 참조하세요. -
MLflow가 포함된 SageMaker 파이프라인
- Amazon SageMaker 파이프라인 및 MLflow를 사용하여 모델을 훈련, 평가 및 등록합니다. 이 노트북은 @step데코레이터를 사용하여 SageMaker AI 파이프라인을 빌드합니다. 파이프라인 및@step데코레이터에 대한 자세한 내용은@step데코레이션 함수를 사용하여 파이프라인 생성을 참조하세요. -
SageMaker AI에 MLflow 모델 배포
- SciKit-Learn을 사용하여 의사 결정 트리 모델을 교육합니다. 그런 다음 Amazon SageMaker AI ModelBuilder를 사용하여 모델을 SageMaker AI 엔드포인트에 배포하고 배포된 모델을 사용하여 추론을 실행합니다.ModelBuilder에 대한 자세한 정보는 ModelBuilder를 사용하여 MLflow 모델 배포을 참조하세요.
