Quiz dotyczący modelowania tematycznego

Odpowiedzi i wyjaśnienia pojawiają się w miarę rozwiązywania quizu.

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. Jak LDA traktuje pojedynczy dokument?
   • Jako należące do dokładnie jednego tematu
   • Jako sekwencja, w której istotna jest kolejność słów
   • Jako mieszanina wielu tematów w różnych proporcjach
   • Jako obraz tekstu do zeskanowania
4. Jakie jest założenie „worka słów” stosowane przez klasyczną LDA?
   • Ignoruje kolejność słów i używa tylko liczby słów
   • Zachowuje tylko pierwsze zdanie każdego dokumentu
   • Najpierw tłumaczy każdy dokument na język angielski
   • Wymaga ułożenia słów w kolejności alfabetycznej
5. Jaką decyzję musisz zazwyczaj podjąć przed uruchomieniem LDA?
   • Dokładny tytuł każdego tematu
   • Autor każdego dokumentu
   • Czcionka, w której zapisano dokumenty
   • Liczba tematów K do znalezienia
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