Un'università vuole prevedere se un candidato si iscriverà, in modo da poter mirare gli sforzi di reclutamento. Il data scientist ha a disposizione gli storici accademici e vuole costruire profili dei candidati per la previsione. Quali due passaggi dovrebbe intraprendere il data scientist per costruire un modello che preveda la probabilità di iscrizione? (Scegli due.)

Per prevedere se un candidato si iscriverà (una decisione binaria), il data scientist deve prima etichettare i dati storici. Amazon SageMaker Ground Truth è uno strumento efficace per etichettare grandi dataset, creando le classi "iscritto" e "non iscritto" necessarie per l'apprendimento supervisionato. Successivamente, poiché l'obiettivo è prevedere una categoria discreta (iscritto o non iscritto), un algoritmo di classificazione è la scelta appropriata. Gli algoritmi di regressione sono usati per prevedere valori continui, non categorie. Gli algoritmi di forecasting sono per serie temporali. L'algoritmo k-means è un algoritmo di clustering non supervisionato e non è adatto per etichettare dati in classi predefinite o per fare previsioni basate su etichette.