LML DAP

LML和DAP

语言模型学习用于数据增强预测的数据集

使用LLM的机器学习的替代方案

笔记

请标记存储库以表示您的支持。

为什么LML和DAP：

• 通常使用机器学习（ML）模型来处理分类任务，这些模型在准确性和解释性之间缺乏平衡。
• 该项目介绍了一种新的方法，用于以可解释的方式使用大型语言模型（LLM）进行分类。
• 与密切依赖数据清洁和功能工程的ML模型不同，此方法使用LLMS简化了该过程。

LML过程：

DAP过程：

结果：

由Praneeth Vadlapati（@prane-eth）创建

？研究论文

有关Arxiv的研究论文的预印本

？引用

要使用我的论文进行参考，请如下引用：

 @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 }
}

快速开始

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

现在，编辑.env文件并添加您的值。
运行文件实验lml.ipynb

更多项目

有关更多项目，请打开个人资料： @pro-genai

贡献

欢迎捐款！随时为任何错误报告或建议创建问题。
为了做出贡献，请播放存储库并创建一个问题。如果我无法解决，我将允许任何人创建拉动请求。

？执照

版权所有©2024 Praneeth Vadlapati
请参阅许可证文件以获取更多信息。
要请求使用我的工作的权限，请使用下面的链接与我联系。

配x免责声明

该代码不打算用于生产环境中。该代码仅用于教育和研究目的。没有作者对本守则造成的任何滥用或损害负责。使用它自己的风险。该代码是无保证或保证的。

致谢

• 特别感谢GROQ （https://groq.com/）的快速推论，这为我节省了这个研究项目的时间。
• 图片来源：
  • 数据库：https：//pixabay.com/vectors/database-data-storage-cylinder-149760/
  • 数据摘要：https：//pixabay.com/vectors/documents-paper-text-icon-149799/
  • 测试数据：https：//pixabay.com/vectors/flask-test-tube-icon-medical-5817899/
  • Checkmark：https：//pixabay.com/vectors/confirmation-symbol-icon-green-1152155/

？接触

有关个人查询，请在此处找到我的联系方式：linktr.ee/prane.eth