LML DAP

LML & DAP

Modelo de idioma Aprendizando um conjunto de dados para previsão agente para dados

Uma alternativa de aprendizado de máquina usando LLMS

Observação

Por favor, estrela o repositório para mostrar seu apoio.

Por que LML & DAP:

• As tarefas de classificação são normalmente tratadas usando modelos de aprendizado de máquina (ML), que não têm um equilíbrio entre precisão e interpretabilidade.
• Este projeto apresenta uma nova abordagem para o uso de grandes modelos de idiomas (LLMS) para tarefas de classificação de maneira explicável.
• Ao contrário dos modelos ML que dependem muito da limpeza de dados e da engenharia de recursos, esse método simplifica o processo usando o LLMS.

Processo LML :

Processo DAP :

Resultado :

Criado por Praneeth Vadlapati (@Prane -th)

? Trabalho de pesquisa

Uma pré -impressão do artigo de pesquisa está disponível no Arxiv

? Citação

Para usar meu papel para referência, cite -o como abaixo:

 @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 }
}

Início rápido

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

Agora, edite o arquivo .env e adicione seus valores.
Execute o arquivo experimental lml.ipynb

Mais projetos

Para mais projetos, abra o perfil: @pro-genai

Contribuindo

As contribuições são bem -vindas! Sinta -se à vontade para criar um problema para quaisquer relatórios ou sugestões de bug.
Para contribuir, por favor estrela o repositório e crie um problema. Se eu não puder resolver isso, permitirei que alguém crie uma solicitação de tração.

? Licença

Copyright © 2024 Praneeth Vadlapati
Consulte o arquivo de licença para obter mais informações.
Para solicitar uma permissão para usar meu trabalho, entre em contato comigo usando o link abaixo.

️ Isenção de responsabilidade

O código não se destina ao uso em ambientes de produção. Este código é apenas para fins educacionais e de pesquisa. Nenhum autor é responsável por qualquer uso indevido ou dano causado por este código. Use -o por sua conta e risco. O código é fornecido como está sem garantias ou garantias.

Agradecimentos

• Agradecimentos especiais ao Groq (https://groq.com/) por uma inferência Fast LLM que me economizou tempo para este projeto de pesquisa.
• Créditos da imagem:
  • Banco de dados: https://pixabay.com/vectors/database-data-storage-cylinder-149760/
  • Resumo dos dados: https://pixabay.com/vectors/documents-paper-text-iCon-149799/
  • Dados de teste: https://pixabay.com/vectors/flask-test-tube-iCon-medical-5817899/
  • Marca de seleção: https://pixabay.com/vectors/confirmation-symbol-iCon-green-1152155/

? Contato

Para perguntas pessoais, encontre meus detalhes de contato aqui: linktr.ee/prane.eth