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.

# Utilisation d'un compartiment Amazon S3 pour les entrées et les sorties
<a name="automatic-model-tuning-ex-bucket"></a>

Configurez un compartiment S3 pour télécharger des jeux de données d'entraînement et enregistrer les données de sortie d'entraînement pour votre tâche de réglage des hyperparamètres.

**Pour utiliser un compartiment S3 par défaut**

Utilisez le code suivant pour spécifier le compartiment S3 par défaut alloué à votre session SageMaker AI. `prefix`est le chemin dans le compartiment où l' SageMaker IA stocke les données relatives à la tâche de formation en cours.

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

**(Facultatif) Pour utiliser un compartiment S3 spécifique**

Si vous souhaitez utiliser un compartiment S3 spécifique, utilisez le code suivant et remplacez les chaînes par le nom exact du compartiment S3. Le nom du compartiment doit contenir **sagemaker** et être globalement unique. Le compartiment doit se trouver dans la même région AWS que l'instance de bloc-notes utilisée pour cet exemple.

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

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

**Note**  
Le nom du compartiment n'a pas besoin de contenir **sagemaker** si le rôle IAM que vous utilisez pour exécuter la tâche de réglage d'hyperparamètres possède une politique qui accorde l'autorisation `S3FullAccess`.

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

[Téléchargement, préparation et chargement des données d'entraînement](automatic-model-tuning-ex-data.md)