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.

# Utilizza un bucket Amazon S3 per l'input e l'output
<a name="automatic-model-tuning-ex-bucket"></a>

Imposta un bucket S3 per caricare i dataset di addestramento e salvare i dati di output dell’addestramento per il tuo processo di ottimizzazione degli iperparametri.

**Per utilizzare un bucket S3 predefinito**

Usa il codice seguente per specificare il bucket S3 predefinito allocato per la tua sessione AI. SageMaker `prefix`è il percorso all'interno del bucket in cui l' SageMaker IA archivia i dati per l'attuale processo di formazione.

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

**Per utilizzare un bucket S3 specifico (facoltativo)**

Se desideri utilizzare un bucket S3 specifico, usa il codice seguente e sostituisci le stringhe con il nome esatto del bucket S3. Il nome del bucket deve contenere **sagemaker** ed essere univoco a livello globale. Il bucket deve trovarsi nella stessa Regione AWS dell'istanza del notebook utilizzata per questo esempio.

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

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

**Nota**  
Non è necessario che il nome del bucket contenga **sagemaker** se il ruolo IAM che utilizzi per eseguire il processo di ottimizzazione degli iperparametri ha un criterio che concede l'autorizzazione `S3FullAccess`.

## Fase succcessiva
<a name="automatic-model-tuning-ex-next-data"></a>

[Scaricare, preparare e caricare i dati di addestramento](automatic-model-tuning-ex-data.md)