Uma universidade deseja prever se um candidato se matriculará para direcionar seus esforços de recrutamento. O cientista de dados possui históricos acadêmicos e quer construir perfis de candidatos para previsão. Quais duas etapas o cientista de dados deve seguir para construir um modelo que preveja a probabilidade de matrícula? (Escolha duas.)

Para prever a probabilidade de matrícula, a primeira etapa é rotular os dados históricos. O Amazon SageMaker Ground Truth é ideal para essa tarefa, permitindo criar um conjunto de dados com rótulos binários ("matriculado" e "não matriculado"), que são essenciais para o treinamento supervisionado. Em seguida, um algoritmo de classificação deve ser aplicado. Problemas de previsão de categorias discretas (como sim/não, matriculado/não matriculado) são problemas de classificação, não de regressão (que prevê valores contínuos) ou previsão (que lida com séries temporais). O k-means é um algoritmo de agrupamento não supervisionado, inadequado para dados rotulados e para prever classes específicas.