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
<a name="mlflow-tutorials"></a>

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](mlflow-cleanup.md). 

Puede ejecutar cuadernos de ejemplo de SageMaker IA JupyterLab en Studio. Para obtener más información sobre JupyterLab, consulte [JupyterLab guía del usuario](studio-updated-jl-user-guide.md).

Explore los siguientes cuadernos de ejemplo:
+ [SageMaker Entrenamiento con MLflow](https://sagemaker-examples.readthedocs.io/en/latest/sagemaker-mlflow/sagemaker_training_mlflow.html): 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](https://docs.aws.amazon.com/sagemaker/latest/dg/how-it-works-training.html).
+ [SageMaker AI HPO con MLflow](https://sagemaker-examples.readthedocs.io/en/latest/sagemaker-mlflow/sagemaker_hpo_mlflow.html): 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](https://docs.aws.amazon.com/sagemaker/latest/dg/automatic-model-tuning.html).
+ [SageMaker Canalizaciones con MLflow: utilice](https://sagemaker-examples.readthedocs.io/en/latest/sagemaker-mlflow/sagemaker_pipelines_mlflow.html) Amazon SageMaker Pipelines y MLflow para entrenar, evaluar y registrar un modelo. Este cuaderno utiliza el `@step` decorador 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`](https://docs.aws.amazon.com/sagemaker/latest/dg/pipelines-step-decorator-create-pipeline.html).
+ [Implemente un modelo MLflow en la SageMaker IA](https://sagemaker-examples.readthedocs.io/en/latest/sagemaker-mlflow/sagemaker_deployment_mlflow.html): entrene un modelo de árbol de decisiones utilizando. SciKit-Learn A continuación, utilice Amazon SageMaker AI `ModelBuilder` para implementar el modelo en un punto final de SageMaker IA y ejecute la inferencia con el modelo implementado. Para obtener más información acerca de `ModelBuilder`, consulte [Implementación de modelos de MLflow con `ModelBuilder`](mlflow-track-experiments-model-deployment.md).