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 AI utilizando JupyterLab en Studio. Para obtener más información sobre JupyterLab, consulte JupyterLab guía del usuario.
Explore los siguientes cuadernos de ejemplo:
-
SageMaker Training with MLflow
: entrene y registre un modelo Scikit-Learn con SageMaker AI en el modo de script. Aprenda a integrar los experimentos de MLflow en el script de entrenamiento. Para obtener más información sobre el entrenamiento de modelos, consulte Train a Model with Amazon SageMaker AI. -
SageMaker AI HPO with MLflow
: aprenda a realizar un seguimiento del experimento de ML en MLflow con el Ajuste automático de modelos (AMT) de Amazon SageMaker AI y el SDK de Python de SageMaker AI. Cada iteración de entrenamiento se registra como una ejecución dentro del mismo experimento. Para obtener más información sobre la optimización de hiperparámetros (HPO), consulte Perform Automatic Model Tuning with Amazon SageMaker AI. -
SageMaker Pipelines with MLflow
: utilice Canalizaciones de Amazon SageMaker y MLflow para entrenar, evaluar y registrar un modelo. Este cuaderno utiliza el decorador @steppara crear una canalización de SageMaker AI. Para obtener más información sobre las canalizaciones y el decorador@step, consulte Creación de una canalización con funciones decoradas con@step. -
Deploy an MLflow Model to SageMaker AI
: entrene un modelo de árbol de decisiones mediante SciKit-Learn. A continuación, utilice ModelBuilderde Amazon SageMaker AI para implementar el modelo en un punto de conexión de SageMaker y ejecutar la inferencia con el modelo implementado. Para obtener más información acerca deModelBuilder, consulte Implementación de modelos de MLflow con ModelBuilder.
