Una empresa farmacéutica audita documentos de sitios de ensayos clínicos (texto) y necesita descubrir los 10 temas principales en todo el corpus para que los auditores puedan priorizar las revisiones. Los documentos que mencionan eventos adversos deben priorizarse. Un científico de datos utilizará el modelado de temas estadístico para encontrar temas abstractos y listar las palabras principales por tema. ¿Qué algoritmos son los más adecuados? (Elija dos).

LDA es un algoritmo de modelado de temas estadístico que identifica temas abstractos en un corpus de documentos, mostrando las palabras principales asociadas a cada tema. Es ideal para descubrir los 10 temas principales y priorizar documentos. NTM es una técnica moderna de modelado de temas que utiliza redes neuronales para aprender representaciones de temas, ofreciendo a menudo resultados más matizados y de mayor calidad que los métodos estadísticos tradicionales, lo que también lo hace adecuado para esta tarea. Random forest, SVM y regresión lineal son algoritmos de clasificación o regresión, no de modelado de temas, por lo que no son apropiados para identificar temas abstractos en un corpus de texto.