Een nationale volkstelling verzamelt ruwweg 500 antwoorden per persoon. Welk paar algoritmen zou geschikt zijn om inzichten te verkrijgen uit deze hoog-dimensionale enquêtegegevens? (Kies er twee.)

PCA is geschikt voor hoog-dimensionale gegevens omdat het de dimensionaliteit kan verminderen door de belangrijkste componenten te identificeren die de meeste variantie in de gegevens verklaren, wat helpt bij het visualiseren en analyseren van complexe datasets. K-means clustering is effectief voor het groeperen van vergelijkbare waarnemingen in datasets, zelfs met veel kenmerken, door gegevenspunten toe te wijzen aan clusters op basis van hun nabijheid tot clustercentra. Factorization Machines zijn beter voor sparse datasets met interacties tussen kenmerken, zoals aanbevelingssystemen. LDA is een topic modeling algoritme, gericht op tekstuele gegevens. RCF is een algoritme voor anomaliedetectie.