Dada uma tabela de transações (ID do usuário, tipo de transação, localização, valor), quais três aplicações de ML são apropriadas?

Aprendizado não supervisionado é apropriado para detecção de fraude porque, na maioria dos casos, não há um conjunto de dados rotulado de transações fraudulentas para treinar um modelo supervisionado. Algoritmos não supervisionados podem identificar anomalias ou padrões incomuns que indicam fraude. O agrupamento (clustering) é uma técnica não supervisionada ideal para dividir transações em categorias baseadas em similaridade, sem rótulos pré-definidos. Aprendizado supervisionado pode ser usado para prever a localização de uma transação, assumindo que há dados históricos com localizações conhecidas (rótulos) para treinar o modelo. Aprendizado por reforço não é adequado para previsão de localização, pois é usado para agentes que interagem com um ambiente para maximizar recompensas. Aprendizado não supervisionado não é ideal para previsão de localização, pois a previsão requer um alvo conhecido.