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.
Os tutoriais a seguir demonstram como integrar MLflow experimentos em seus fluxos de trabalho de treinamento. Para limpar os recursos que você criou por um tutorial de caderno, consulte Limpe MLflow os recursos.
Você pode executar notebooks de exemplo de SageMaker IA usando JupyterLab no Studio. Para obter mais informações sobre JupyterLab, consulte JupyterLab guia do usuário.
Explore os cadernos de seguintes exemplos:
-
SageMaker Treinamento com MLflow
— Treine e registre um modelo Scikit-Learn usando SageMaker IA no modo script. Saiba como integrar MLflow experimentos em seu script de treinamento. Para obter mais informações sobre treinamento de modelos, consulte Treinar um modelo com a Amazon SageMaker AI. -
SageMaker AI HPO com MLflow
— Aprenda a monitorar seu experimento de ML MLflow com o ajuste automático de modelos (AMT) e a IA da Amazon SageMaker AI SageMaker Python SDK. Cada iteração de treinamento é registrada como uma execução dentro do mesmo experimento. Para obter mais informações sobre otimização de hiperparâmetros (HPO), consulte Executar ajuste automático de modelos com a Amazon SageMaker AI. -
SageMaker Pipelines com MLflow
— Use o Amazon SageMaker Pipelines MLflow para treinar, avaliar e registrar um modelo. Este notebook usa o @stepdecorador para criar um pipeline de SageMaker IA. Para obter mais informações sobre pipelines e o decorador@step, consulte Criar um pipeline com funções decoradas com@step. -
Implante um MLflow modelo para SageMaker IA
— Treine um modelo de árvore de decisão usando o SciKit -Learn. Em seguida, use o Amazon SageMaker AI ModelBuilderpara implantar o modelo em um endpoint de SageMaker IA e executar inferência usando o modelo implantado. Para obter mais informações sobre oModelBuilder, consulte Implemente MLflow modelos com ModelBuilder.
