サンプル Jupyter Notebook を使用した MLflow チュートリアル - Amazon SageMaker AI

翻訳は機械翻訳により提供されています。提供された翻訳内容と英語版の間で齟齬、不一致または矛盾がある場合、英語版が優先します。

サンプル Jupyter Notebook を使用した MLflow チュートリアル

次のチュートリアルでは、MLflow の実験をトレーニングワークフローに統合する方法を紹介します。ノートブックのチュートリアルで作成したリソースをクリーンアップするには、「MLflow リソースをクリーンアップする」を参照してください。

Studio で JupyterLab を使用して SageMaker AI サンプルノートブックを実行できます。JupyterLab の詳細については、「JupyterLab ユーザーガイド」を参照してください。

次のサンプルノートブックを確認してください。

  • SageMaker Training with MLflow - SageMaker AI をスクリプトモードで使用して、Scikit-Learn モデルをトレーニングおよび登録します。MLflow の実験をトレーニングスクリプトに統合する方法を確認できます。モデルトレーニングの詳細については、「Train a Model with Amazon SageMaker AI」を参照してください。

  • SageMaker AI HPO with MLflow - Amazon SageMaker AI 自動モデルチューニング (AMT) と SageMaker AI Python SDK を使用して、MLflow で ML 実験を追跡する方法を確認できます。各トレーニングイテレーションは、同じ実験内の実行 (Run) として記録されます。ハイパーパラメータ最適化 (HPO) の詳細については、「Perform Automatic Model Tuning with Amazon SageMaker AI」を参照してください。

  • SageMaker Pipelines with MLflow - Amazon SageMaker Pipelines と MLflow を使用して、モデルのトレーニング、評価、登録を行います。このノートブックでは、@step デコレータを使用して SageMaker AI Pipeline を構築します。パイプラインと @step デコレータの詳細については、「Create a pipeline with @step-decorated functions」を参照してください。

  • Deploy an MLflow Model to SageMaker AI - SciKit-Learn を使用して決定木モデルをトレーニングします。その後、Amazon SageMaker AI ModelBuilder を使用してモデルを SageMaker AI エンドポイントにデプロイし、デプロイしたモデルを使用して推論を実行します。ModelBuilder の詳細については、「ModelBuilder で MLflow モデルをデプロイする」を参照してください。