Terjemahan disediakan oleh mesin penerjemah. Jika konten terjemahan yang diberikan bertentangan dengan versi bahasa Inggris aslinya, utamakan versi bahasa Inggris.

# Tutorial MLFlow menggunakan contoh notebook Jupyter
<a name="mlflow-tutorials"></a>

Tutorial berikut menunjukkan cara mengintegrasikan eksperimen MLFlow ke dalam alur kerja pelatihan Anda. Untuk membersihkan sumber daya yang dibuat oleh tutorial notebook, lihat[Bersihkan sumber daya MLFlow](mlflow-cleanup.md). 

Anda dapat menjalankan notebook contoh SageMaker AI menggunakan JupyterLab di Studio. Untuk informasi selengkapnya tentang JupyterLab, lihat [JupyterLab panduan pengguna](studio-updated-jl-user-guide.md).

Jelajahi contoh notebook berikut:
+ [SageMaker Pelatihan dengan MLFlow](https://sagemaker-examples.readthedocs.io/en/latest/sagemaker-mlflow/sagemaker_training_mlflow.html) — Latih dan daftarkan Scikit-Learn model menggunakan SageMaker AI dalam mode skrip. Pelajari cara mengintegrasikan eksperimen MLFlow ke dalam skrip pelatihan Anda. Untuk informasi lebih lanjut tentang pelatihan model, lihat [Melatih Model dengan Amazon SageMaker AI](https://docs.aws.amazon.com/sagemaker/latest/dg/how-it-works-training.html).
+ [SageMaker AI HPO dengan MLFlow](https://sagemaker-examples.readthedocs.io/en/latest/sagemaker-mlflow/sagemaker_hpo_mlflow.html) — Pelajari cara melacak eksperimen MLFlow Anda di MLFlow dengan Amazon SageMaker AI automatic model tuning (AMT) dan AI SDK. SageMaker Python Setiap iterasi pelatihan dicatat sebagai proses dalam eksperimen yang sama. Untuk informasi selengkapnya tentang optimasi hyperparameter (HPO), lihat [Melakukan Penyetelan Model Otomatis dengan Amazon AI](https://docs.aws.amazon.com/sagemaker/latest/dg/automatic-model-tuning.html). SageMaker 
+ [SageMaker Pipelines dengan MLFlow](https://sagemaker-examples.readthedocs.io/en/latest/sagemaker-mlflow/sagemaker_pipelines_mlflow.html) — Gunakan Amazon SageMaker Pipelines dan MLFlow untuk melatih, mengevaluasi, dan mendaftarkan model. Notebook ini menggunakan `@step` dekorator untuk membangun Pipeline SageMaker AI. Untuk informasi selengkapnya tentang pipeline dan `@step` dekorator, lihat [Membuat pipeline dengan fungsi `@step` -decorated](https://docs.aws.amazon.com/sagemaker/latest/dg/pipelines-step-decorator-create-pipeline.html).
+ [Menerapkan Model MLFlow ke SageMaker AI](https://sagemaker-examples.readthedocs.io/en/latest/sagemaker-mlflow/sagemaker_deployment_mlflow.html) — Latih model pohon keputusan menggunakan. SciKit-Learn Kemudian, gunakan Amazon SageMaker AI `ModelBuilder` untuk menyebarkan model ke titik akhir SageMaker AI dan menjalankan inferensi menggunakan model yang diterapkan. Untuk informasi selengkapnya tentang `ModelBuilder`, lihat [Terapkan model MLFlow dengan `ModelBuilder`](mlflow-track-experiments-model-deployment.md).