Uma empresa farmacêutica audita documentos de locais de ensaios clínicos (texto) e precisa descobrir os 10 principais tópicos em todo o corpus para que os auditores possam priorizar as revisões. Documentos que mencionam eventos adversos devem ser priorizados. Um cientista de dados usará modelagem estatística de tópicos para encontrar tópicos abstratos e listar as principais palavras por tópico. Quais algoritmos são mais adequados? (Escolha dois.)

LDA (Latent Dirichlet Allocation) é um algoritmo clássico de modelagem de tópicos que identifica tópicos abstratos em um corpus de documentos, atribuindo palavras a tópicos e tópicos a documentos. Ele é ideal para descobrir os principais tópicos e as palavras mais relevantes para cada um, o que atende diretamente ao requisito de priorização da auditoria. NTM (Neural Topic Modeling) é uma abordagem mais moderna que utiliza redes neurais para modelagem de tópicos. Assim como o LDA, ele é eficaz na identificação de tópicos e palavras-chave, oferecendo flexibilidade e, por vezes, melhor desempenho em grandes conjuntos de dados. Classificador Random Forest, Máquina de vetor de suporte linear e Regressão linear são algoritmos de classificação ou regressão, não sendo adequados para a tarefa de descoberta de tópicos abstratos em texto.