Una universidad quiere predecir si un solicitante se inscribirá para poder dirigir sus esfuerzos de reclutamiento. El científico de datos tiene historiales académicos y quiere construir perfiles de solicitantes para la predicción. ¿Qué dos pasos debe seguir el científico de datos para construir un modelo que prediga la probabilidad de inscripción? (Elija dos).

Para predecir si un solicitante se inscribirá (una decisión binaria de "sí" o "no"), el científico de datos necesita datos etiquetados. Amazon SageMaker Ground Truth es la herramienta adecuada para etiquetar el conjunto de datos con las clases "enrolled" y "not enrolled", lo cual es fundamental para el aprendizaje supervisado. Una vez que los datos están etiquetados, el problema se convierte en una tarea de clasificación, ya que el objetivo es predecir una categoría discreta (inscrito o no inscrito). Por lo tanto, aplicar un algoritmo de clasificación es el paso correcto. Los algoritmos de pronóstico se usan para series temporales, y los de regresión para predecir valores continuos. El algoritmo k-means es para agrupamiento no supervisado, no para predicción binaria basada en etiquetas.