Les traductions sont fournies par des outils de traduction automatique. En cas de conflit entre le contenu d'une traduction et celui de la version originale en anglais, la version anglaise prévaudra.
Didacticiels MLflow utilisant des exemples de blocs-notes Jupyter
Les didacticiels suivants montrent comment intégrer des expériences MLflow dans vos flux de travail d’entraînement. Pour nettoyer les ressources créées dans le cadre d’un didacticiel de bloc-notes, consultez Nettoyage des ressources MLflow.
Vous pouvez exécuter des exemples de blocs-notes SageMaker AI à l’aide de JupyterLab dans Studio. Pour plus d’informations sur JupyterLab, consultez JupyterLab guide de l'utilisateur.
Explorez les exemples de blocs-notes suivants :
-
SageMaker Training with MLflow
: entraînez et enregistrez un modèle Scikit-Learn à l’aide de SageMaker AI en mode script. Découvrez comment intégrer des expériences MLflow dans votre script d’entraînement. Pour plus d’informations sur l’entraînement des modèles, consultez Entraînement d’un modèle avec Amazon SageMaker AI. -
SageMaker AI HPO with MLflow
: découvrez comment suivre votre expérience de ML dans MLflow grâce au réglage automatique des modèles (AMT) d’Amazon SageMaker AI et au kit SDK SageMaker AI Python. Chaque itération d’entraînement est journalisée comme une exécution au sein de la même expérience. Pour plus d’informations sur l’optimisation des hyperparamètres (HPO), consultez Réglage automatique de modèle avec Amazon SageMaker AI. -
SageMaker Pipelines with MLflow
: utilisez Amazon SageMaker Pipelines et MLflow pour entraîner, évaluer et enregistrer un modèle. Ce bloc-notes utilise le décorateur @steppour créer un pipeline SageMaker AI. Pour plus d’informations sur les pipelines et le décorateur@step, consultez Création d’un pipeline avec des fonctions décorées@step. -
Deploy an MLflow Model to SageMaker AI
: entraînez un modèle d’arbre de décision à l’aide de SciKit-Learn. Utilisez ensuite le ModelBuilderAmazon SageMaker AI pour déployer le modèle sur un point de terminaison SageMaker AI et exécuter l’inférence à l’aide du modèle déployé. Pour plus d’informations surModelBuilder, consultez Déploiement de modèles MLflow avec ModelBuilder.
