As traduções são geradas por tradução automática. Em caso de conflito entre o conteúdo da tradução e da versão original em inglês, a versão em inglês prevalecerá.

# Use um bucket do Amazon S3 para entrada e saída
<a name="automatic-model-tuning-ex-bucket"></a>

Defina um bucket S3 para fazer upload de conjuntos de dados de treinamento e salvar os dados de saída de treinamento para seu trabalho de ajuste de hiperparâmetros.

**Para usar um bucket S3 padrão**

Use o código a seguir para especificar o bucket padrão do S3 alocado para sua sessão de SageMaker IA. `prefix`é o caminho dentro do bucket em que a SageMaker IA armazena os dados para o trabalho de treinamento atual.

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

**Para usar um bucket S3 específico (opcional)**

Se você deseja usar um bucket S3 específico, utilize o seguinte código e substitua as strings pelo nome exato do bucket S3: O nome do bucket deve conter **sagemaker** e ser globalmente exclusivo. O bucket deve estar na mesma região AWS que a instância de cadernos que você está usando para este exemplo.

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

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

**nota**  
O nome do bucket não precisa conter **sagemaker** se o perfil do IAM que você usa para executar o trabalho de ajuste de hiperparâmetros tiver uma política que concede permissão para `S3FullAccess`.

## Próxima etapa
<a name="automatic-model-tuning-ex-next-data"></a>

[Fazer download, preparar e fazer upload de dados de treinamento](automatic-model-tuning-ex-data.md)