Quiz sur la modélisation de sujets

Les réponses et les explications apparaissent au fur et à mesure que vous répondez au quiz.

1. In the LDA formulation, how is a modeled topic represented over the vocabulary?
   • As one mandatory human-written keyword only
   • As a probability distribution over words
   • As a grammatical parse of every sentence
   • As a sentiment value with no vocabulary representation
2. Why can an unsupervised LDA topic model be fit to documents without topic labels?
   • It requires a verified category for every document first
   • It reads only documents with identical titles
   • It necessarily uses a classifier trained on the same task labels
   • It infers unobserved topic structure from the observed words
3. Comment LDA traite-t-elle un document individuel ?
   • Comme appartenant exactement à un seul sujet
   • En tant que séquence où l'ordre des mots est essentiel
   • Comme un mélange de plusieurs sujets dans des proportions différentes
   • Comme image de texte à numériser
4. Quelle est l'hypothèse du « sac de mots » utilisée par la LDA classique ?
   • Il ignore l'ordre des mots et utilise uniquement le nombre de mots
   • Il ne conserve que la première phrase de chaque document
   • Il traduit d'abord chaque document en anglais
   • Il faut que les mots soient classés par ordre alphabétique
5. Quelle décision devez-vous généralement prendre avant d’exécuter LDA ?
   • Le titre exact de chaque sujet
   • L'auteur de chaque document
   • La police dans laquelle les documents ont été rédigés
   • Le nombre de sujets K à trouver
6. Which stage commonly starts BERTopic's grouping of documents rather than relying only on raw word counts?
   • Assigning every document a manually required topic label
   • Clustering representations derived from document embeddings
   • Removing all text before computing any representation
   • Treating every document as an identical image file
7. When inspecting LDA's high-probability words, who can supply a descriptive topic name such as election coverage?
   • An analyst interpreting the weighted words and documents
   • A probability value that necessarily proves one official name
   • A required government approver for every model run
   • A document filename that always determines the meaning
8. After BERTopic groups documents, what does c-TF-IDF help produce for each cluster?
   • The original input image pixels
   • A required dependency parse for every token
   • Characteristic weighted words representing the group
   • Proof that every cluster has exactly one true theme