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
以下のチュートリアルでは、MLflow 実験をトレーニングワークフローに統合する方法を示します。ノートブックチュートリアルで作成されたリソースをクリーンアップするには、「」を参照してくださいMLflow リソースのクリーンアップ。
JupyterLab Studio で を使用して SageMaker 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」をご参照ください。
次のサンプルノートブックをご覧ください。
-
SageMaker MLflow を使用したトレーニング
— スクリプトモードで を使用して Scikit-Learn モデル SageMaker をトレーニングして登録します。MLflow 実験をトレーニングスクリプトに統合する方法について説明します。モデルトレーニングの詳細については、「Amazon でモデルをトレーニングする SageMaker」を参照してください。 -
SageMaker MLflow を使用した HPO
— Amazon SageMaker 自動モデルチューニング (AMT) と SageMaker Python SDK を使用して MLflow で ML 実験を追跡する方法について説明します。各トレーニング反復は、同じ実験内で実行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、「Amazon による自動モデルチューニングの実行 SageMaker」を参照してください。 -
SageMaker MLflow を使用したパイプライン
— Amazon SageMaker Model Building 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 パイプラインを構築します。パイプラインと@step
デコレータの詳細については、「 デ@step
コレーションされた関数を使用してパイプラインを作成する」を参照してください。 -
MLflow モデルを にデプロイ SageMaker
する — SciKit-Learn を使用して決定木モデルをトレーニングします。次に、Amazon SageMaker ModelBuilder
を使用してモデルを SageMaker エンドポイントにデプロイし、デプロイされ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、「で MLflow モデルをデプロイする ModelBuilder」を参照してください。