기계 번역으로 제공되는 번역입니다. 제공된 번역과 원본 영어의 내용이 상충하는 경우에는 영어 버전이 우선합니다.
Jupyter 노트북 예제를 사용한 MLFlow 튜토리얼
다음 자습서는 MLFlow 실험을 교육 워크플로에 통합하는 방법을 보여줍니다. 노트북 자습서로 만든 리소스를 정리하려면 을 참조하십시오. MLFlow 리소스 정리
JupyterLab Studio에서 를 사용하여 SageMaker 예제 노트북을 실행할 수 있습니다. JupyterLab에 대한 자세한 내용은 JupyterLab 사용자 가이드 단원을 참조하세요.
다음 예제 노트북을 살펴보세요.
-
SageMaker MLFlow를 사용한 학습
— 스크립트 모드를 사용하여 Scikit-Learn 모델을 학습시키고 등록할 수 있습니다. SageMaker MLFlow 실험을 학습 스크립트에 통합하는 방법을 알아보십시오. 모델 교육에 대한 자세한 내용은 Amazon을 통한 모델 학습을 참조하십시오 SageMaker. -
SageMaker MLFlow를 사용한 HPO
— Amazon SageMaker 자동 모델 튜닝 (AMT) 및 SDK를 사용하여 MLFlow에서 ML 실험을 추적하는 방법을 알아보십시오. SageMaker Python 각 교육 반복은 동일한 실험 내에서 실행으로 기록됩니다. 하이퍼파라미터 최적화 (HPO) 에 대한 자세한 내용은 Amazon을 통한 자동 모델 조정 수행을 참조하십시오. SageMaker -
SageMaker MLFlow를 사용한 파이프라인
— Amazon SageMaker 모델 구축 파이프라인과 MLFlow를 사용하여 모델을 교육, 평가 및 등록합니다. 이 노트북은 @step
데코레이터를 사용하여 파이프라인을 구축합니다. SageMaker 파이프라인과 데코레이터에 대한 자세한 내용은@step
-decorated 함수를 사용하여 파이프라인 만들기를 참조하십시오.@step
-
MLFlow 모델 배포 SageMaker — -Learn을 사용하여
의사결정 트리 모델을 학습시키십시오. SciKit 그런 다음 SageMaker ModelBuilder
Amazon을 사용하여 SageMaker 엔드포인트에 모델을 배포하고 배포된 모델을 사용하여 추론을 실행합니다.ModelBuilder
에 대한 자세한 정보는 다음을 사용하여 MLFlow 모델을 배포하십시오. ModelBuilder 섹션을 참조하십시오.