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.

# Obtenha o cliente Amazon SageMaker AI Boot 3
<a name="automatic-model-tuning-ex-client"></a>

Importe o Amazon SageMaker Python SDK e outras AWS SDK para Python (Boto3) bibliotecas Python. Em um novo caderno Jupyter, cole o seguinte código na primeira célula:

```
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')
```

A célula de código anterior define `region` `smclient` os objetos que você usará para chamar o XGBoost algoritmo incorporado e definir o trabalho de ajuste de hiperparâmetros de SageMaker IA.

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

[Obtenha a função de execução de SageMaker IA](automatic-model-tuning-ex-role.md)