LML DAP

LML和DAP

語言模型學習用於數據增強預測的數據集

使用LLM的機器學習的替代方案

筆記

請標記存儲庫以表示您的支持。

為什麼LML和DAP：

• 通常使用機器學習（ML）模型來處理分類任務，這些模型在準確性和解釋性之間缺乏平衡。
• 該項目介紹了一種新的方法，用於以可解釋的方式使用大型語言模型（LLM）進行分類。
• 與密切依賴數據清潔和功能工程的ML模型不同，此方法使用LLMS簡化了該過程。

LML過程：

DAP過程：

結果：

由Praneeth Vadlapati（@prane-eth）創建

？研究論文

有關Arxiv的研究論文的預印本

？引用

要使用我的論文進行參考，請如下引用：

 @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 }
}

快速開始

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

現在，編輯.env文件並添加您的值。
運行文件實驗lml.ipynb

更多項目

有關更多項目，請打開個人資料： @pro-genai

貢獻

歡迎捐款！隨時為任何錯誤報告或建議創建問題。
為了做出貢獻，請播放存儲庫並創建一個問題。如果我無法解決，我將允許任何人創建拉動請求。

？執照

版權所有©2024 Praneeth Vadlapati
請參閱許可證文件以獲取更多信息。
要請求使用我的工作的權限，請使用下面的鏈接與我聯繫。

配x免責聲明

該代碼不打算用於生產環境中。該代碼僅用於教育和研究目的。沒有作者對本守則造成的任何濫用或損害負責。使用它自己的風險。該代碼是無保證或保證的。

致謝

• 特別感謝GROQ （https://groq.com/）的快速推論，這為我節省了這個研究項目的時間。
• 圖片來源：
  • 數據庫：https：//pixabay.com/vectors/database-data-storage-cylinder-149760/
  • 數據摘要：https：//pixabay.com/vectors/documents-paper-text-icon-149799/
  • 測試數據：https：//pixabay.com/vectors/flask-test-tube-icon-medical-5817899/
  • Checkmark：https：//pixabay.com/vectors/confirmation-symbol-icon-green-1152155/

？接觸

有關個人查詢，請在此處找到我的聯繫方式：linktr.ee/prane.eth