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

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 [Limpe MLflow os recursos](mlflow-cleanup.md). 

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](studio-updated-jl-user-guide.md).

Explore os seguintes cadernos de exemplo:
+ [SageMaker Training with MLflow](https://sagemaker-examples.readthedocs.io/en/latest/sagemaker-mlflow/sagemaker_training_mlflow.html): 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](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): 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](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): use o Amazon SageMaker Pipelines e o MLflow para treinar, avaliar e registrar um modelo. Esse caderno usa o decorador `@step` para 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`](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): treine um modelo de árvore de decisão usando o SciKit-Learn. Em seguida, use o `ModelBuilder` do 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 o `ModelBuilder`, consulte [Implemente MLflow modelos com `ModelBuilder`](mlflow-track-experiments-model-deployment.md).