Las traducciones son generadas a través de traducción automática. En caso de conflicto entre la traducción y la version original de inglés, prevalecerá la version en inglés.
Tutoriales de MLflow con cuadernos de Jupyter de ejemplo
En los siguientes tutoriales se muestra cómo integrar los experimentos de MLflow en los flujos de trabajo de entrenamiento. Para limpiar los recursos creados por un tutorial sobre cuadernos, consulte Limpieza de recursos de MLflow.
Puede ejecutar cuadernos de ejemplo de SageMaker IA JupyterLab en Studio. Para obtener más información sobre JupyterLab, consulte JupyterLab guía del usuario.
Explore los siguientes cuadernos de ejemplo:
-
SageMaker Entrenamiento con MLflow
: entrene y registre un Scikit-Learn modelo mediante SageMaker IA en modo script. Aprenda a integrar los experimentos de MLflow en el script de entrenamiento. Para obtener más información sobre el entrenamiento de modelos, consulte Entrenar a un modelo con Amazon SageMaker AI. -
SageMaker AI HPO con MLflow
: aprenda a realizar un seguimiento de su experimento de aprendizaje automático en MLflow con el ajuste automático de modelos (AMT) de Amazon SageMaker AI y el SDK de IA. SageMaker Python Cada iteración de entrenamiento se registra como una ejecución dentro del mismo experimento. Para obtener más información sobre la optimización de hiperparámetros (HPO), consulte Realizar ajustes automáticos de modelos con Amazon SageMaker AI. -
SageMaker Canalizaciones con MLflow: utilice
Amazon SageMaker Pipelines y MLflow para entrenar, evaluar y registrar un modelo. Este cuaderno utiliza el @stepdecorador para crear un Pipeline de IA. SageMaker Para obtener más información sobre las canalizaciones y el decorador@step, consulte Creación de una canalización con funciones decoradas con@step. -
Implemente un modelo MLflow en la SageMaker IA
: entrene un modelo de árbol de decisiones utilizando. SciKit-Learn A continuación, utilice Amazon SageMaker AI ModelBuilderpara implementar el modelo en un punto final de SageMaker IA y ejecute la inferencia con el modelo implementado. Para obtener más información acerca deModelBuilder, consulte Implementación de modelos de MLflow con ModelBuilder.
