Un'azienda farmaceutica verifica i documenti (testo) dei siti di sperimentazione clinica e deve scoprire i 10 argomenti principali nell'intero corpus in modo che i revisori possano dare priorità alle revisioni. I documenti che menzionano eventi avversi devono essere prioritari. Uno scienziato dei dati utilizzerà la modellazione statistica degli argomenti per trovare argomenti astratti ed elencare le parole principali per argomento. Quali algoritmi sono più adatti? (Scegli due.)

Latent Dirichlet Allocation (LDA) è un algoritmo di topic modeling probabilistico ampiamente utilizzato per scoprire argomenti astratti in una collezione di documenti. È ideale per identificare i 10 argomenti principali e le parole chiave associate, come richiesto. Neural Topic Modeling (NTM) è un approccio moderno che utilizza reti neurali per il topic modeling, offrendo spesso prestazioni superiori e la capacità di catturare relazioni semantiche più complesse rispetto ai modelli tradizionali. Entrambi sono adatti per l'estrazione di argomenti da documenti testuali. Il Classificatore Random Forest e la Support Vector Machine lineare sono algoritmi di classificazione supervisionata, non di topic modeling, e richiederebbero etichette predefinite per gli argomenti, che non sono disponibili in questo scenario. La Regressione lineare è un algoritmo per la previsione di valori continui e non è applicabile per l'estrazione di argomenti testuali.