Le traduzioni sono generate tramite traduzione automatica. In caso di conflitto tra il contenuto di una traduzione e la versione originale in Inglese, quest'ultima prevarrà.

# Tutorial di MLflow con notebook Jupyter di esempio
<a name="mlflow-tutorials"></a>

I seguenti tutorial mostrano come integrare gli esperimenti di MLflow nei flussi di lavoro di addestramento. Per eliminare le risorse create dal tutoriale di un notebook, consulta [Pulisci MLflow le risorse](mlflow-cleanup.md). 

È possibile eseguire notebook di esempio di SageMaker AI utilizzando JupyterLab in Studio. Per ulteriori informazioni su JupyterLab, consulta [JupyterLab guida per l'utente](studio-updated-jl-user-guide.md).

Esplora i notebook di esempio riportati di seguito.
+ [SageMaker Training with MLflow](https://sagemaker-examples.readthedocs.io/en/latest/sagemaker-mlflow/sagemaker_training_mlflow.html): addestra e registra un modello Scikit-Learn utilizzando SageMaker AI in modalità script. Scopri come integrare gli esperimenti MLflow nel tuo script di addestramento. Per ulteriori informazioni sull’addestramento dei modelli, consulta [Addestramento di un modello con Amazon SageMaker AI](https://docs.aws.amazon.com/sagemaker/latest/dg/how-it-works-training.html).
+ [SageMaker AI HPO with MLflow](https://sagemaker-examples.readthedocs.io/en/latest/sagemaker-mlflow/sagemaker_hpo_mlflow.html): scopri come tracciare il tuo esperimento ML in MLflow con l’ottimizzazione automatica dei modelli (AMT) di Amazon SageMaker AI e SageMaker AI Python SDK. Ogni iterazione di addestramento viene registrata come esecuzione all’interno dello stesso esperimento. Per ulteriori informazioni sull’ottimizzazione degli iperparametri (HPO), consulta [Esegui l’ottimizzazione automatica dei modelli con Amazon SageMaker AI](https://docs.aws.amazon.com/sagemaker/latest/dg/automatic-model-tuning.html).
+ [SageMaker Pipelines with MLflow](https://sagemaker-examples.readthedocs.io/en/latest/sagemaker-mlflow/sagemaker_pipelines_mlflow.html): utilizza Amazon SageMaker Pipelines e MLflow per addestrare, valutare e registrare un modello. Questo notebook utilizza il decoratore `@step` per creare una pipeline SageMaker AI. Per ulteriori informazioni sulle pipeline e sul decoratore `@step`, consulta [Creazione di una pipeline con funzioni decorate con `@step`](https://docs.aws.amazon.com/sagemaker/latest/dg/pipelines-step-decorator-create-pipeline.html).
+ [Deploy an MLflow Model to SageMaker AI](https://sagemaker-examples.readthedocs.io/en/latest/sagemaker-mlflow/sagemaker_deployment_mlflow.html): addestra un modello di albero decisionale utilizzando Scikit-Learn. Quindi, utilizza `ModelBuilder` di Amazon SageMaker AI per implementare il modello su un endpoint di SageMaker AI ed eseguire l’inferenza utilizzando il modello implementato. Per ulteriori informazioni su `ModelBuilder`, consulta [Distribuisci MLflow modelli con `ModelBuilder`](mlflow-track-experiments-model-deployment.md).