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
<a name="mlflow-tutorials"></a>

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](mlflow-cleanup.md)」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](studio-updated-jl-user-guide.md)」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](https://sagemaker-examples.readthedocs.io/en/latest/sagemaker-mlflow/sagemaker_training_mlflow.html) - 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](https://docs.aws.amazon.com/sagemaker/latest/dg/how-it-works-training.html)」を参照してください。
+ [SageMaker AI HPO with MLflow](https://sagemaker-examples.readthedocs.io/en/latest/sagemaker-mlflow/sagemaker_hpo_mlflow.html) - 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](https://docs.aws.amazon.com/sagemaker/latest/dg/automatic-model-tuning.html)」を参照してください。
+ [SageMaker Pipelines with MLflow](https://sagemaker-examples.readthedocs.io/en/latest/sagemaker-mlflow/sagemaker_pipelines_mlflow.html) - 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](https://docs.aws.amazon.com/sagemaker/latest/dg/pipelines-step-decorator-create-pipeline.html)」を参照してください。
+ [Deploy an MLflow Model to SageMaker AI](https://sagemaker-examples.readthedocs.io/en/latest/sagemaker-mlflow/sagemaker_deployment_mlflow.html) - 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](mlflow-track-experiments-model-deployment.md)」を参照してください。