Firma planuje użyć wbudowanego algorytmu SageMaker do zbudowania systemu rekomendacji, który musi przewidywać na podstawie danych wejściowych o wysokiej wymiarowości i rzadkich danych. Który algorytm SageMaker jest odpowiedni dla tego problemu rekomendacji?

Factorization Machines (FM) są idealne do problemów z rekomendacjami, zwłaszcza gdy dane wejściowe są rzadkie i mają wysoką wymiarowość. Algorytm ten efektywnie modeluje interakcje między cechami, co jest kluczowe w systemach rekomendacyjnych, gdzie relacje między użytkownikami a przedmiotami są często ukryte. K-nearest neighbors (k-NN) jest mniej efektywny przy rzadkich danych i wysokiej wymiarowości ze względu na problem "przekleństwa wymiarowości". Principal component analysis (PCA) to technika redukcji wymiarowości, a nie algorytm rekomendacyjny. Sequence-to-Sequence (seq2seq) jest używany głównie do zadań związanych z przetwarzaniem języka naturalnego i sekwencjami, a nie do typowych problemów rekomendacyjnych.