Un data scientist deve produrre un'analisi esplorativa iniziale dei commenti dei clienti utilizzando grafici e una word cloud, e vuole applicare il feature engineering prima di costruire un modello NLP. Quali due tecniche di feature engineering dovrebbero essere utilizzate per preparare il testo per la visualizzazione e la modellazione? (Scegliere due.)

Lo stemming riduce le parole alla loro radice (es. "correndo", "corse" a "corr-"), consolidando termini simili per una migliore visualizzazione in word cloud e per ridurre la dimensionalità nei modelli NLP. Questo aiuta a raggruppare concetti simili. TF-IDF (Term Frequency-Inverse Document Frequency) è una tecnica che valuta l'importanza di una parola in un documento rispetto a una collezione di documenti. È fondamentale per il feature engineering nel NLP perché assegna pesi numerici alle parole, trasformando il testo in un formato che i modelli di machine learning possono elaborare, ed è utile per identificare parole chiave rilevanti per la visualizzazione e la modellazione. La Named Entity Recognition identifica entità specifiche (persone, luoghi), utile per l'estrazione di informazioni ma non per la preparazione generale per word cloud o modelli. La Coreference Resolution risolve pronomi e riferimenti (es. "lui" a "John"), importante per la comprensione del testo ma non una tecnica di feature engineering diretta per la visualizzazione o la modellazione iniziale. La Sentiment Analysis è un'applicazione del NLP che classifica il tono del testo, non una tecnica di feature engineering per preparare il testo stesso.