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.
MLflowtutoriais usando exemplos de cadernos Jupyter
Os tutoriais a seguir demonstram como integrar MLflow experimentos em seus fluxos de trabalho de treinamento. Para limpar recursos criados por um tutorial de notebook, consulteLimpe MLflow os recursos.
Você pode executar SageMaker exemplos de notebooks usando JupyterLab no Studio. Para obter mais informações sobre JupyterLab, consulteJupyterLab guia do usuário.
Explore os seguintes exemplos de cadernos:
-
SageMaker Treinamento com MLflow
— Treine e registre um modelo Scikit-Learn usando o SageMaker modo script. Saiba como integrar MLflow experimentos em seu script de treinamento. Para obter mais informações sobre treinamento de modelos, consulte Treinar um modelo com a Amazon SageMaker. -
SageMaker HPOcom MLflow
— Aprenda a monitorar seu experimento de ML MLflow com o ajuste SageMaker automático de modelos (AMT) da Amazon e o SageMaker Python SDK. 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. -
SageMaker Pipelines com MLflow
— Use o Amazon SageMaker Pipelines MLflow para treinar, avaliar e registrar um modelo. Este notebook usa o @stepdecorador para construir um SageMaker Pipeline. Para obter mais informações sobre pipelines e o@stepdecorador, consulte Criar um pipeline com funções@step-decoradas. -
Implante um MLflow modelo para SageMaker
— Treine um modelo de árvore de decisão usando o SciKit -Learn. Em seguida, use SageMaker ModelBuildera Amazon para implantar o modelo em um SageMaker endpoint e executar inferência usando o modelo implantado. Para obter mais informações sobre oModelBuilder, consulte Implante MLflow modelos com ModelBuilder.
