Uma empresa deseja uma solução de ML para detectar anomalias na saída de sensores, mas não possui exemplos rotulados. Qual abordagem de modelagem é apropriada para detecção de anomalias não supervisionada neste caso?

Autoencoders são ideais para detecção de anomalias não supervisionada porque aprendem uma representação compacta (codificação) dos dados normais. Ao tentar reconstruir os dados a partir dessa representação, eles apresentam um erro de reconstrução alto para entradas anômalas, que se desviam do padrão aprendido. Regressão linear é usada para prever valores contínuos e não é adequada para detecção de anomalias sem rótulos. Classificação exige dados rotulados para treinar um modelo que distingue entre classes. Árvores de decisão são usadas para classificação ou regressão e, embora possam ser adaptadas para anomalias, não são a abordagem mais intrínseca para detecção não supervisionada sem rótulos.