Text Classification
Transformers
TensorBoard
Safetensors
Russian
bert
Trained with AutoTrain
russia
job
text-embeddings-inference
# pip install -U transformers accelerate
# Load model directly
from transformers import AutoTokenizer, AutoModelForSequenceClassification
tokenizer = AutoTokenizer.from_pretrained("MrAlexGov/vacancy-classifier-ru")
model = AutoModelForSequenceClassification.from_pretrained("MrAlexGov/vacancy-classifier-ru", device_map="auto")Quick Links
Модель для классификации вакансий была создана на основе предобученной архитектуры BERT путем дообучения (fine-tuning) на специально размеченном датасете.
Датасет для обучения содержал 1000 текстов вакансий, сбалансированных по двум классам:
500 примеров — релевантные вакансии для IT-сферы.
500 примеров — нерелевантные вакансии, не относящиеся к сфере информационных технологий.
В результате модель научилась эффективно различать и категоризировать тексты вакансий на соответствующие IT и все прочие.
Model Trained Using AutoTrain
- Problem type: Text Classification
Validation Metrics
loss: 0.3812274634838104
f1: 0.8502415458937198
precision: 0.822429906542056
recall: 0.88
auc: 0.9464999999999999
accuracy: 0.845
- Downloads last month
- 25
Model tree for MrAlexGov/vacancy-classifier-ru
Base model
google-bert/bert-base-uncased
# Use a pipeline as a high-level helper from transformers import pipeline pipe = pipeline("text-classification", model="MrAlexGov/vacancy-classifier-ru")