Bir üniversite, işe alım çabalarını hedefleyebilmek için bir başvuru sahibinin kayıt olup olmayacağını tahmin etmek istiyor. Veri bilimcisi akademik geçmişlere sahip ve tahmin için başvuru sahibi profilleri oluşturmak istiyor. Veri bilimcinin kayıt olasılığını tahmin eden bir model oluşturmak için atması gereken iki adım nedir? (İki tane seçin.)

Bu problem, bir başvuru sahibinin kaydolup kaydolmayacağını tahmin etmeyi amaçlayan ikili bir sınıflandırma görevidir. Bu nedenle, bir sınıflandırma algoritması kullanmak doğru bir yaklaşımdır. Amazon SageMaker Ground Truth, etiketlenmemiş verileri ("kayıtlı" ve "kayıtlı değil" gibi) etiketlemek için kullanılabilen bir veri etiketleme hizmetidir. Bu, modelin eğitilmesi için gerekli olan etiketli veri setini oluşturmak için kritik bir adımdır. Tahminleri yapmak için bir regresyon algoritması uygulamak yanlıştır çünkü regresyon sürekli değerleri tahmin etmek için kullanılırken, burada ikili (kayıtlı/kayıtlı değil) bir sonuç tahmin edilmektedir. Tahminleri yapmak için bir tahmin algoritması uygulamak çok genel bir ifadedir ve spesifik değildir; sınıflandırma, tahmin algoritmalarının bir alt kümesidir. Verileri iki gruba ayırmak için SageMaker yerleşik k-means algoritmasını kullanmak yanlıştır çünkü k-means bir kümeleme algoritmasıdır ve etiketlenmiş verilerle denetimli öğrenme için uygun değildir; ayrıca, bu problemde zaten bilinen iki kategoriye (kayıtlı/kayıtlı değil) ayırma yapılmaktadır, kümeleme değil.