Een farmaceutisch bedrijf controleert documenten van klinische onderzoekslocaties (tekst) en moet de top 10 onderwerpen in het corpus ontdekken, zodat auditors prioriteit kunnen geven aan beoordelingen. Documenten die melding maken van bijwerkingen moeten prioriteit krijgen. Een data scientist zal statistische topic modeling gebruiken om abstracte onderwerpen te vinden en de belangrijkste woorden per onderwerp weer te geven. Welke algoritmen zijn hiervoor het meest geschikt? (Kies er twee.)

Latent Dirichlet Allocation (LDA) is een probabilistisch generatief model dat veel wordt gebruikt voor topic modeling. Het kan abstracte "onderwerpen" in een verzameling documenten ontdekken en de belangrijkste woorden voor elk onderwerp identificeren, wat nuttig is voor het prioriteren van documenten. Neural Topic Modeling (NTM) is een moderne benadering die neurale netwerken gebruikt om onderwerpen te ontdekken, vaak met betere prestaties en flexibiliteit dan traditionele methoden, vooral bij grote corpora. Random forest classifier, Linear support vector machine en Linear regression zijn classificatie- of regressie-algoritmen en zijn niet ontworpen voor het ontdekken van onderwerpen in tekstdata.