MLflow-Tutorials mit Beispiel-Jupyter-Notebooks

SageMaker Training mit MLflow — Trainieren und registrieren Sie ein Scikit-Learn Modell mithilfe von SageMaker KI im Skriptmodus. Erfahren Sie, wie Sie MLflow-Experimente in Ihr Trainingsskript integrieren können. Weitere Informationen zum Modelltraining finden Sie unter Train a Model with Amazon SageMaker AI.

SageMaker KI HPO mit MLflow — Erfahren Sie, wie Sie Ihr ML-Experiment in MLflow mit Amazon SageMaker AI Automatic Model Tuning (AMT) und dem SageMaker AI SDK verfolgen können. Python Jede Trainingsiteration wird als Lauf innerhalb desselben Experiments protokolliert. Weitere Informationen zur Hyperparameter-Optimierung (HPO) finden Sie unter Durchführen einer automatischen Modelloptimierung mit Amazon SageMaker AI.

SageMaker Pipelines mit MLflow — Verwenden Sie Amazon SageMaker Pipelines und MLflow, um ein Modell zu trainieren, zu bewerten und zu registrieren. Dieses Notizbuch verwendet den @step Decorator, um eine KI-Pipeline zu erstellen. SageMaker Weitere Informationen zu Pipelines und dem @step Decorator finden Sie unter Erstellen einer Pipeline mit @step-gekennzeichneten Funktionen.

Bereitstellen eines MLflow-Modells für SageMaker KI — Trainieren Sie ein Entscheidungsbaummodell mit. SciKit-Learn Verwenden Sie dann Amazon SageMaker AI, ModelBuilder um das Modell auf einem SageMaker KI-Endpunkt bereitzustellen und Inferenzen mithilfe des bereitgestellten Modells auszuführen. Mehr über ModelBuilder erfahren Sie unter Bereitstellen von MLflow-Modellen mit ModelBuilder.