Les traductions sont fournies par des outils de traduction automatique. En cas de conflit entre le contenu d'une traduction et celui de la version originale en anglais, la version anglaise prévaudra.

# Obtenez le client Amazon SageMaker AI Boto 3
<a name="automatic-model-tuning-ex-client"></a>

Importez le SDK Amazon SageMaker Python et AWS SDK pour Python (Boto3) d'autres bibliothèques Python. Dans un nouveau bloc-notes Jupyter, collez le code suivant dans la première cellule :

```
import sagemaker
import boto3

import numpy as np                                # For performing matrix operations and numerical processing
import pandas as pd                               # For manipulating tabular data
from time import gmtime, strftime
import os

region = boto3.Session().region_name
smclient = boto3.Session().client('sagemaker')
```

La cellule de code précédente définit `region` les `smclient` objets que vous utiliserez pour appeler l' XGBoost algorithme intégré et définir la tâche de réglage des hyperparamètres de l' SageMaker IA.

## Étape suivante
<a name="automatic-model-tuning-ex-next-role"></a>

[Obtenez le rôle d'exécution de l' SageMaker IA](automatic-model-tuning-ex-role.md)