As traduções são geradas por tradução automática. Em caso de conflito entre o conteúdo da tradução e da versão original em inglês, a versão em inglês prevalecerá.
Tutoriais do MLflow usando os cadernos Jupyter de exemplo
Os tutoriais a seguir demonstram como integrar os experimentos MLflow aos seus fluxos de trabalho do treinamento. Para limpar os recursos que você criou por um tutorial de caderno, consulte Limpar os recursos do MLflow.
Você pode executar os cadernos de exemplo do SageMaker AI usando o JupyterLab no Studio. Para obter mais informações sobre o JupyterLab, consulte JupyterLab guia do usuário.
Explore os seguintes cadernos de exemplo:
-
SageMaker Training with MLflow
: treine e registre um modelo do Scikit-Learn usando o SageMaker AI no modo script. Saiba como integrar os experimentos do MLflow no script de treinamento. Para ter mais informações sobre o treinamento de modelo, consulte Train a Model with Amazon SageMaker AI. -
SageMaker AI HPO with MLflow
: aprenda a monitorar seu experimento de ML no MLflow com o Ajuste Automático de Modelos (AMT) do Amazon SageMaker AI e o SageMaker AI Python SDK. Cada iteração de treinamento é registrada como uma execução dentro do mesmo experimento. Para ter mais informações sobre otimização de hiperparâmetros (HPO), consulte Ajuste automático de modelos com o Amazon SageMaker AI. -
SageMaker Pipelines with MLflow
: use o Amazon SageMaker Pipelines e o MLflow para treinar, avaliar e registrar um modelo. Esse caderno usa o decorador @steppara criar um pipeline do SageMaker AI. Para obter mais informações sobre pipelines e o decorador@step, consulte Criar um pipeline com funções decoradas com@step. -
Deploy an MLflow Model to SageMaker AI
: treine um modelo de árvore de decisão usando o SciKit-Learn. Em seguida, use o ModelBuilderdo Amazon SageMaker AI para implantar o modelo em um endpoint do SageMaker AI e executar inferência usando o modelo implantado. Para obter mais informações sobre oModelBuilder, consulte Implantar modelos MLflow com ModelBuilder.
