本文為英文版的機器翻譯版本，如內容有任何歧義或不一致之處，概以英文版為準。

# 使用範例 Jupyter 筆記本的 MLflow 教學課程
<a name="mlflow-tutorials"></a>

下列教學課程示範如何將 MLflow 實驗整合到您的訓練工作流程。如要清除筆記本教學課程建立的資源，請參閱[清除 MLflow 資源](mlflow-cleanup.md)。

您可以在 Studio 中使用 JupyterLab 執行 SageMaker AI 範例筆記本。如需 JupyterLab 詳細資訊，請參閱[JupyterLab 使用者指南](studio-updated-jl-user-guide.md)。

探索下列範例筆記本：
+ [使用 MLflow 訓練 SageMaker](https://sagemaker-examples.readthedocs.io/en/latest/sagemaker-mlflow/sagemaker_training_mlflow.html) — 在指令碼模式下使用 SageMaker AI 訓練和註冊 Scikit-Learn 模型。了解如何將 MLflow 實驗整合到您的訓練指令碼。如需有模型訓練的詳細資訊，請參閱[使用 Amazon SageMaker AI 訓練模型](https://docs.aws.amazon.com/sagemaker/latest/dg/how-it-works-training.html)。
+ [具有 MLflow 的 SageMaker AI HPO](https://sagemaker-examples.readthedocs.io/en/latest/sagemaker-mlflow/sagemaker_hpo_mlflow.html) — 了解如何使用 Amazon SageMaker AI 自動模型調校 (AMT) 和 SageMaker AI Python SDK 在 MLflow 中追蹤 ML 實驗。每個訓練迭代都會記錄為同一個實驗中的執行。如需超參數最佳化 (HPO) 的詳細資訊，請參閱[使用 Amazon SageMaker AI 執行自動模型調校](https://docs.aws.amazon.com/sagemaker/latest/dg/automatic-model-tuning.html)。
+ [具有 MLflow 的 Amazon SageMaker Pipelines](https://sagemaker-examples.readthedocs.io/en/latest/sagemaker-mlflow/sagemaker_pipelines_mlflow.html) — 使用 Amazon SageMaker Pipelines 和 MLflow 來訓練、評估與註冊模型。此筆記本使用 `@step` 裝飾項目來建置 SageMaker AI 管道。如需管道和 `@step` 裝飾項目的詳細資訊，請參閱[使用 `@step` 裝飾的函數建立管道](https://docs.aws.amazon.com/sagemaker/latest/dg/pipelines-step-decorator-create-pipeline.html)。
+ [將 MLflow 模型部署至 SageMaker AI](https://sagemaker-examples.readthedocs.io/en/latest/sagemaker-mlflow/sagemaker_deployment_mlflow.html) — 使用 SciKit-Learn 訓練決策樹模型。然後，使用 Amazon SageMaker AI `ModelBuilder` 將模型部署到 SageMaker AI 端點，並使用部署的模型執行推論。如需 `ModelBuilder` 的相關資訊，請參閱 [使用 `ModelBuilder` 部署 MLflow 模型](mlflow-track-experiments-model-deployment.md)。