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.

# Utilice un bucket de Amazon S3 para entrada y salida
<a name="automatic-model-tuning-ex-bucket"></a>

Configure un bucket de S3 para cargar conjuntos de datos de entrenamiento y guardar los datos de salida de entrenamiento para su trabajo de ajuste de hiperparámetros.

**Para usar un bucket de S3 predeterminado**

Utilice el siguiente código para especificar el bucket de S3 predeterminado asignado a su sesión de SageMaker IA. `prefix`es la ruta dentro del depósito en la que la SageMaker IA almacena los datos para el trabajo de entrenamiento actual.

```
sess = sagemaker.Session()
bucket = sess.default_bucket() # Set a default S3 bucket
prefix = 'DEMO-automatic-model-tuning-xgboost-dm'
```

**Para usar un bucket de S3 específico (opcional)**

Si desea usar un bucket de S3 específico, utilice el siguiente código y sustituya las cadenas por el nombre exacto del bucket de S3. El nombre del bucket debe contener **sagemaker** y ser único a escala global. El bucket debe estar en la misma región de AWS que la instancia de cuaderno que utilice en este ejemplo.

```
bucket = "sagemaker-your-preferred-s3-bucket"

sess = sagemaker.Session(
    default_bucket = bucket
)
```

**nota**  
No es necesario que el nombre del bucket contenga **sagemaker** si el rol de IAM que usa para ejecutar el trabajo de ajuste de hiperparámetros tiene una política que concede el permiso `S3FullAccess`.

## Paso siguiente
<a name="automatic-model-tuning-ex-next-data"></a>

[Descarga, preparación y carga de datos de entrenamiento](automatic-model-tuning-ex-data.md)