Le traduzioni sono generate tramite traduzione automatica. In caso di conflitto tra il contenuto di una traduzione e la versione originale in Inglese, quest'ultima prevarrà.

# Tutorial di MLflow con notebook Jupyter di esempio
<a name="mlflow-tutorials"></a>

I seguenti tutorial mostrano come integrare gli esperimenti di MLflow nei flussi di lavoro di addestramento. Per eliminare le risorse create dal tutoriale di un notebook, consulta [Eliminazione delle risorse MLflow](mlflow-cleanup.md). 

Puoi eseguire taccuini di esempio di SageMaker intelligenza artificiale utilizzando in Studio. JupyterLab Per ulteriori informazioni su JupyterLab, consulta [JupyterLab guida per l'utente](studio-updated-jl-user-guide.md).

Esplora i notebook di esempio riportati di seguito.
+ [SageMaker Addestramento con MLFlow](https://sagemaker-examples.readthedocs.io/en/latest/sagemaker-mlflow/sagemaker_training_mlflow.html): addestra e registra un Scikit-Learn modello utilizzando l' SageMaker intelligenza artificiale in modalità script. Scopri come integrare gli esperimenti MLflow nel tuo script di addestramento. Per ulteriori informazioni sull'addestramento dei modelli, consulta [ Addestrare un modello 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): scopri come monitorare il tuo esperimento ML in MLFlow con Amazon SageMaker AI Automatic Model Tuning (AMT) e AI SDK. SageMaker Python Ogni iterazione di addestramento viene registrata come esecuzione all’interno dello stesso esperimento. Per ulteriori informazioni sull'ottimizzazione degli iperparametri (HPO), consulta [ Eseguire l'ottimizzazione automatica dei modelli con Amazon AI. SageMaker ](https://docs.aws.amazon.com/sagemaker/latest/dg/automatic-model-tuning.html)
+ [SageMaker Pipeline con MLFlow](https://sagemaker-examples.readthedocs.io/en/latest/sagemaker-mlflow/sagemaker_pipelines_mlflow.html): utilizza Amazon SageMaker Pipelines e MLFlow per addestrare, valutare e registrare un modello. Questo notebook utilizza il `@step` decoratore per creare una pipeline AI. SageMaker Per ulteriori informazioni sulle pipeline e sul decoratore `@step`, consulta [Creazione di una pipeline con funzioni decorate con `@step`](https://docs.aws.amazon.com/sagemaker/latest/dg/pipelines-step-decorator-create-pipeline.html).
+ [Implementa un modello MLFlow sull' SageMaker IA](https://sagemaker-examples.readthedocs.io/en/latest/sagemaker-mlflow/sagemaker_deployment_mlflow.html): addestra un modello ad albero decisionale utilizzando. SciKit-Learn Quindi, utilizza Amazon SageMaker `ModelBuilder` AI per distribuire il modello su un endpoint di SageMaker intelligenza artificiale ed eseguire l'inferenza utilizzando il modello distribuito. Per ulteriori informazioni su `ModelBuilder`, consultare [Implementazione dei modelli MLflow con `ModelBuilder`](mlflow-track-experiments-model-deployment.md).