Una empresa desea una solución de ML para detectar anomalías en la salida de sensores, pero no tiene ejemplos etiquetados. ¿Qué enfoque de modelado es apropiado para la detección de anomalías no supervisada en este caso?

Los Autoencoders son ideales para la detección de anomalías no supervisada porque aprenden a reconstruir datos "normales". Cuando se les presenta una anomalía, su capacidad de reconstrucción disminuye significativamente, lo que resulta en un error de reconstrucción alto que indica la anomalía. No requieren datos etiquetados para el entrenamiento, lo cual es crucial en este escenario. La Regresión lineal es para predecir valores continuos y no es adecuada para la detección de anomalías sin etiquetas. La Clasificación requiere datos etiquetados para distinguir entre clases normales y anómalas, que la empresa no tiene. Los Árboles de decisión también son un método de aprendizaje supervisado que necesita etiquetas para entrenarse eficazmente.