LML DAP

LML & DAP

Sprachmodell Erlernen eines Datensatzes für daten-ausgerichtete Vorhersage

Eine Alternative zum maschinellen Lernen mit LLMs

Notiz

Bitte spielen Sie das Repository mit, um Ihre Unterstützung zu zeigen.

Warum LML & DAP:

• Klassifizierungsaufgaben werden in der Regel mit maschinellem Lernmodellen (maschinelles Lernen) behandelt, der ein Gleichgewicht zwischen Genauigkeit und Interpretierbarkeit fehlt.
• Dieses Projekt führt einen neuen Ansatz für die Verwendung von großsprachigen Modellen (LLMs) für Klassifizierungsaufgaben auf erklärbare Weise vor.
• Im Gegensatz zu ML -Modellen, die stark auf Datenreinigung und Feature -Engineering angewiesen sind, wird diese Methode mithilfe von LLMs optimiert.

LML -Prozess :

DAP -Prozess :

Ergebnis :

Erstellt von Praneeth Vadlapati (@Prane-Eth)

? Forschungspapier

Ein Vordruck des Forschungsarbeits ist auf Arxiv erhältlich

? Zitat

Um mein Papier als Referenz zu verwenden, zitieren Sie es bitte wie unten:

 @misc { vadlapati2024lmldap ,
	title = { {LML-DAP: Language Model Learning a Dataset for Data-Augmented Prediction} } ,
	author = { {Praneeth Vadlapati} } ,
	year = { 2024 } ,
	eprint = { 2409.18957 } ,
	archivePrefix = { arXiv } ,
	primaryClass = { cs.CL } ,
	url = { https://arxiv.org/abs/2409.18957 }
}

Schneller Start

pip install -r requirements.txt
cp .env.example .env

Bearbeiten Sie nun die .env -Datei und fügen Sie Ihre Werte hinzu.
Führen Sie die Datei Experiment-lml.ipynb aus

Weitere Projekte

Für weitere Projekte öffnen Sie das Profil: @Pro-Genai

Beitragen

Beiträge sind willkommen! Fühlen Sie sich frei, ein Problem für Fehlerberichte oder Vorschläge zu erstellen.
Um einen Beitrag zu leisten, spielen Sie bitte das Repository und erstellen Sie ein Problem. Wenn ich das nicht lösen kann, werde ich jemandem erlauben, eine Pull -Anfrage zu erstellen.

? Lizenz

Copyright © 2024 Praneeth Vadlapati
Weitere Informationen finden Sie in der Lizenzdatei.
Um eine Erlaubnis zur Verwendung meiner Arbeit zu beantragen, kontaktieren Sie mich bitte mit dem folgenden Link.

Euen Haftungsausschluss

Der Code ist nicht für die Verwendung in Produktionsumgebungen vorgesehen. Dieser Kodex dient nur für Bildungs- und Forschungszwecke. Kein Autor ist für Missbrauch oder Schäden verantwortlich, die durch diesen Code verursacht werden. Verwenden Sie es auf eigenes Risiko. Der Code wird wie ohne Garantie oder Garantie bereitgestellt.

Anerkennung

• Besonderer Dank geht an GROQ (https://groq.com/) für eine schnelle LLM -Inferenz, die mir Zeit für dieses Forschungsprojekt gespart hat.
• Bildnachweis:
  • Datenbank: https://pixabay.com/vectors/database-data-storage-cylinder-149760/
  • Datenzusammenfassung: https://pixabay.com/vectors/documents-paper-text-icon-149799/
  • Testdaten: https://pixabay.com/vectors/flask-test-tube-icon-medical-5817899/
  • Checkmark: https://pixabay.com/vectors/confirmation-mbol-icon-green-1152155/

? Kontakt

Für persönliche Fragen finden Sie hier meine Kontaktdaten: linktr.ee/prane.eth