Gegeven een transactietabel (gebruikers-ID, transactietype, locatie, bedrag), welke drie ML-toepassingen zijn geschikt?

Unsupervised learning voor fraudedetectie is geschikt omdat frauduleuze transacties vaak afwijken van normale patronen en er geen gelabelde dataset van fraude beschikbaar is. Een anomaliedetectiealgoritme kan deze afwijkingen identificeren. Clustering is correct omdat het transacties kan groeperen op basis van kenmerken zoals bedrag, locatie en type, wat inzicht kan geven in transactiepatronen of klantsegmenten zonder vooraf gedefinieerde categorieën. Supervised learning om de locatie van een transactie te voorspellen is correct als er een gelabelde dataset beschikbaar is van transacties met hun bijbehorende locaties. Dit is een classificatie- of regressieprobleem. Reinforcement learning is ongeschikt omdat het zich richt op het leren van acties in een omgeving om beloningen te maximaliseren, wat niet van toepassing is op het voorspellen van een locatie. Unsupervised learning voor locatievoorspelling is ongeschikt omdat locatievoorspelling een specifieke output vereist die niet direct door ongesuperviseerde methoden wordt geleverd zonder gelabelde voorbeelden.