Para identificar o que caracteriza um modelo de aprendizado supervisionado, precisamos entender a definição básica desse tipo de aprendizado. No aprendizado supervisionado, o modelo é treinado com dados rotulados, ou seja, ele aprende a partir de exemplos onde tanto as entradas quanto as saídas são conhecidas. Vamos analisar as alternativas: a) O modelo é treinado com dados rotulados, ou seja, com exemplos de entrada e saída conhecidas. - Esta é a definição correta de aprendizado supervisionado. b) O modelo é treinado sem dados rotulados, descobrindo padrões e estruturas no conjunto de dados. - Isso descreve o aprendizado não supervisionado. c) O modelo não utiliza dados de entrada, apenas a resposta esperada. - Isso não faz sentido, pois um modelo supervisionado precisa de dados de entrada. d) O modelo pode ser usado para prever variáveis não contínuas, como em clustering. - Clustering é uma técnica de aprendizado não supervisionado. e) O modelo apenas classifica os dados em duas categorias. - Embora alguns modelos supervisionados possam fazer isso, a definição não se limita a apenas duas categorias. Portanto, a alternativa correta que caracteriza um modelo de aprendizado supervisionado é: a) O modelo é treinado com dados rotulados, ou seja, com exemplos de entrada e saída conhecidas.