Terjemahan disediakan oleh mesin penerjemah. Jika konten terjemahan yang diberikan bertentangan dengan versi bahasa Inggris aslinya, utamakan versi bahasa Inggris.
Tutorial MLFlow menggunakan contoh notebook Jupyter
Tutorial berikut menunjukkan cara mengintegrasikan eksperimen MLFlow ke dalam alur kerja pelatihan Anda. Untuk membersihkan sumber daya yang dibuat oleh tutorial notebook, lihatBersihkan sumber daya MLFlow.
Anda dapat menjalankan notebook contoh SageMaker AI menggunakan JupyterLab di Studio. Untuk informasi selengkapnya tentang JupyterLab, lihat JupyterLab panduan pengguna.
Jelajahi contoh notebook berikut:
-
SageMaker Pelatihan dengan MLFlow
— Latih dan daftarkan Scikit-Learn model menggunakan SageMaker AI dalam mode skrip. Pelajari cara mengintegrasikan eksperimen MLFlow ke dalam skrip pelatihan Anda. Untuk informasi lebih lanjut tentang pelatihan model, lihat Melatih Model dengan Amazon SageMaker AI. -
SageMaker AI HPO dengan MLFlow
— Pelajari cara melacak eksperimen MLFlow Anda di MLFlow dengan Amazon SageMaker AI automatic model tuning (AMT) dan AI SDK. SageMaker Python Setiap iterasi pelatihan dicatat sebagai proses dalam eksperimen yang sama. Untuk informasi selengkapnya tentang optimasi hyperparameter (HPO), lihat Melakukan Penyetelan Model Otomatis dengan Amazon AI. SageMaker -
SageMaker Pipelines dengan MLFlow
— Gunakan Amazon SageMaker Pipelines dan MLFlow untuk melatih, mengevaluasi, dan mendaftarkan model. Notebook ini menggunakan @stepdekorator untuk membangun Pipeline SageMaker AI. Untuk informasi selengkapnya tentang pipeline dan@stepdekorator, lihat Membuat pipeline dengan fungsi@step-decorated. -
Menerapkan Model MLFlow ke SageMaker AI
— Latih model pohon keputusan menggunakan. SciKit-Learn Kemudian, gunakan Amazon SageMaker AI ModelBuilderuntuk menyebarkan model ke titik akhir SageMaker AI dan menjalankan inferensi menggunakan model yang diterapkan. Untuk informasi selengkapnya tentangModelBuilder, lihat Terapkan model MLFlow dengan ModelBuilder.
