Bir veri bilimcinin, müşteri yorumlarının ilk keşif analizini grafikler ve bir kelime bulutu kullanarak yapması ve bir NLP modeli oluşturmadan önce özellik mühendisliği uygulamak istemesi gerekmektedir. Metni görselleştirme ve modelleme için hazırlamak amacıyla hangi iki özellik mühendisliği tekniği kullanılmalıdır? (İki tane seçin.)

Kök bulma (Stemming), kelimelerin eklerini atarak kök formlarına indirgenmesini sağlar. Bu, kelime bulutu gibi görselleştirmelerde aynı kökten gelen farklı kelimelerin (örneğin "koşmak", "koşucu") tek bir kelime olarak sayılmasını ve metin verisinin tutarlılığını artırarak özellik mühendisliği için daha iyi bir temel oluşturmasını sağlar. Terim sıklığı–ters belge sıklığı (TF-IDF), bir kelimenin bir belgedeki önemini ve tüm belgelerdeki nadirliğini ölçen bir istatistiksel yöntemdir. Bu, metindeki önemli anahtar kelimeleri belirlemek ve bir NLP modeli oluşturmadan önce metni sayısal vektörlere dönüştürmek için kritik bir özellik mühendisliği tekniğidir. Adlandırılmış varlık tanıma (Named entity recognition) ve Duygu analizi (Sentiment analysis) daha çok modelleme sonrası veya daha ileri analiz aşamalarında kullanılırken, Eşanlamlılık çözümü (Coreference resolution) metin içindeki zamirlerin veya ifadelerin referanslarını belirlemeye odaklanır ve ilk keşif analizi ve temel özellik mühendisliği için doğrudan bir görselleştirme veya sayısal temsil aracı değildir.