LML DAP

LML y DAP

Modelo de lenguaje Aprendiendo un conjunto de datos para la predicción de datos acomodados

Una alternativa de aprendizaje automático usando LLMS

Nota

Estrella el repositorio para mostrar su soporte.

Por qué LML y DAP:

• Las tareas de clasificación generalmente se manejan utilizando modelos de aprendizaje automático (ML), que carecen de un equilibrio entre la precisión y la interpretabilidad.
• Este proyecto presenta un nuevo enfoque para usar modelos de idiomas grandes (LLM) para tareas de clasificación de manera explicable.
• A diferencia de los modelos ML que dependen en gran medida de la limpieza de datos y la ingeniería de características, este método optimiza el proceso utilizando LLMS.

Proceso LML :

Proceso DAP :

Resultado :

Creado por Praneeth Vadlapati (@Prane-eth)

? Trabajo de investigación

Una preimpresión del trabajo de investigación está disponible en ARXIV

? Citación

Para usar mi artículo para referencia, cíquelo como se muestra a continuación:

 @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 }
}

Comienzo rápido

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

Ahora, edite el archivo .env y agregue sus valores.
Ejecute el archivo Experiment-lml.ipynb

Más proyectos

Para más proyectos, abra el perfil: @pro-genai

Que contribuye

¡Las contribuciones son bienvenidas! Siéntase libre de crear un problema para cualquier informe o sugerencia de errores.
Para contribuir, protagonice el repositorio y cree un problema. Si no puedo resolver eso, permitiré que cualquiera cree una solicitud de extracción.

? Licencia

Copyright © 2024 Praneeth Vadlapati
Consulte el archivo de licencia para obtener más información.
Para solicitar un permiso para usar mi trabajo, comuníquese conmigo usando el enlace a continuación.

️ Descargo de responsabilidad

El código no está destinado a su uso en entornos de producción. Este código es solo para fines educativos y de investigación. Ningún autor es responsable de ningún mal uso o daño causado por este código. Úselo bajo su propio riesgo. El código se proporciona como es sin garantías.

Expresiones de gratitud

• Un agradecimiento especial a Groq (https://groq.com/) por una inferencia rápida de LLM que me ahorró tiempo para este proyecto de investigación.
• Créditos de imagen:
  • Base de datos: https://pixabay.com/vectors/database-data-storage-cylinder-149760/
  • Resumen de datos: https://pixabay.com/vectors/documents-paper-text-icon-149799/
  • Datos de prueba: https://pixabay.com/vectors/flask-test-tube-icon-medical-5817899/
  • Marca: https://pixabay.com/vectors/confirmation-symbol-icon-green-1152155/

? Contacto

Para consultas personales, encuentre mis datos de contacto aquí: Linktr.ee/prane.eth