Eine Universität möchte vorhersagen, ob sich ein Bewerber einschreiben wird, um die Rekrutierungsbemühungen gezielter gestalten zu können. Der Data Scientist verfügt über akademische Historien und möchte Bewerberprofile für die Vorhersage erstellen. Welche zwei Schritte sollte der Data Scientist unternehmen, um ein Modell zu erstellen, das die Wahrscheinlichkeit einer Einschreibung vorhersagt? (Wählen Sie zwei.)

Um vorherzusagen, ob sich ein Bewerber einschreiben wird, handelt es sich um ein binäres Klassifizierungsproblem. Zuerst müssen die historischen Daten entsprechend gelabelt werden. Amazon SageMaker Ground Truth ist ein geeigneter Service, um den Datensatz in die Zielklassen "eingeschrieben" und "nicht eingeschrieben" zu labeln, da dies die Erstellung von Trainingsdaten für überwachtes Lernen ermöglicht. Anschließend wird ein Klassifizierungsalgorithmus angewendet, da dieser Algorithmus darauf ausgelegt ist, Datenpunkten diskrete Klassen zuzuweisen. Ein Forecasting-Algorithmus wäre für Zeitreihenvorhersagen geeignet, nicht für die binäre Klassifizierung. Ein Regressionsalgorithmus würde einen kontinuierlichen Wert vorhersagen, nicht eine binäre Kategorie. Der k-means-Algorithmus ist ein unüberwachter Clustering-Algorithmus und würde die Daten ohne vorherige Labels in Gruppen aufteilen, was für dieses überwachte Lernproblem nicht geeignet ist.