Respuesta correcta
Explicación
Este es un problema de aprendizaje supervisado porque el conjunto de datos contiene muestras históricas etiquetadas (defectuoso o no defectuoso), y el objetivo es predecir un resultado categórico basado en las lecturas de los sensores. En Azure Machine Learning, se utilizan algoritmos de aprendizaje supervisado como la regresión logística de dos clases o los árboles de decisión potenciados para entrenar un modelo que asigne características de entrada a etiquetas conocidas.
Para profundizar
El aprendizaje supervisado entrena un modelo sobre ejemplos etiquetados, donde cada fila empareja características de entrada con un objetivo conocido. En Azure Machine Learning, esto normalmente significa crear un conjunto de datos tabular con una columna de etiquetas y usar una tarea de clasificación de AutoML o un pipeline de diseñador con un algoritmo de clasificación como gradient boosting o regresión logística. Con 10.000 muestras de sensores etiquetadas y un objetivo binario, el modelo aprende un límite de decisión que asigna las lecturas de los sensores a defectuoso o no defectuoso. Una sutileza es el desequilibrio de clases: si los defectos son raros, la precisión es engañosa, por lo que importan métricas como la precisión, el recuerdo (recall) y el peso AUC. Este escenario importa porque el modelo debe generalizarse a nuevas lecturas de sensores, lo que requiere una división de prueba reservada (held-out) y validación cruzada en lugar de memorizar las filas de entrenamiento.
Sobre estas preguntas de práctica
Esta es una de las preguntas de práctica originales de AI-900 de Courseiva, escrita para aprender y nunca copiada de exámenes reales ni de dumps.
Traducida del original en inglés con IA y revisada para comprobar el sentido. Los códigos de examen, los comandos y los nombres de productos se mantienen tal como aparecen en el examen.