As traduções são geradas por tradução automática. Em caso de conflito entre o conteúdo da tradução e da versão original em inglês, a versão em inglês prevalecerá.
Tutoriais do MLflow usando os cadernos Jupyter de exemplo
Os tutoriais a seguir demonstram como integrar os experimentos MLflow aos seus fluxos de trabalho do treinamento. Para limpar os recursos que você criou por um tutorial de caderno, consulte Limpar os recursos do MLflow.
Você pode executar notebooks de exemplo de SageMaker IA usando o JupyterLab Studio. Para obter mais informações sobre JupyterLab, consulte JupyterLab guia do usuário.
Explore os seguintes cadernos de exemplo:
-
SageMaker Treinamento com MLflow
— Treine e registre um Scikit-Learn modelo usando SageMaker IA no modo script. Saiba como integrar os experimentos do MLflow no script de treinamento. Para obter mais informações sobre o treinamento de modelos, consulte Treinar um modelo com a Amazon SageMaker AI. -
SageMaker AI HPO com MLflow
— Aprenda a monitorar seu experimento de ML no MLflow com o ajuste automático de modelos (AMT) da Amazon SageMaker AI e o AI SDK. SageMaker Python Cada iteração de treinamento é registrada como uma execução dentro do mesmo experimento. Para obter mais informações sobre otimização de hiperparâmetros (HPO), consulte Executar ajuste automático de modelos com a Amazon SageMaker AI. -
SageMaker Pipelines com MLflow
— Use o Amazon SageMaker Pipelines e o MLflow para treinar, avaliar e registrar um modelo. Este caderno usa o @stepdecorador para criar um SageMaker AI Pipeline. Para obter mais informações sobre pipelines e o decorador@step, consulte Criar um pipeline com funções decoradas com@step. -
Implante um modelo MLflow na SageMaker IA
— Treine um modelo de árvore de decisão usando SciKit-Learn. Em seguida, use o Amazon SageMaker AI ModelBuilderpara implantar o modelo em um endpoint de SageMaker IA e executar a inferência usando o modelo implantado. Para saber mais sobre oModelBuilder, consulte Implantar modelos MLflow com ModelBuilder.
