Buckets:

|
download
raw
2.62 kB

مقدمه‌ای بر آرژیلا[[introduction-to-argilla]]

در فصل ۵ یاد گرفتید چگونه با کتابخانه‌ی 🤗 Datasets یک دیتاسِت بسازید و در فصل ۶ بررسی کردید چگونه مدل‌ها را برای برخی وظایف رایج NLP کوک کنید. در این فصل یاد می‌گیرید چگونه از Argilla برای حاشیه‌گذاری و پالایش دیتاسِت‌ها استفاده کنید؛ دیتاسِت‌هایی که می‌توانید برای تعلیم و ارزیابی مدل‌هایتان به کار ببرید.

کلید تعلیم مدل‌هایی که عملکرد خوبی دارند، داده‌های باکیفیت است. گرچه در هاب دیتاسِت‌های خوبی وجود دارد که می‌توانید برای تعلیم و ارزیابی مدل‌هایتان از آن‌ها استفاده کنید، شاید این دیتاسِت‌ها برای کاربرد یا مسئله‌ی خاص شما مناسب نباشند. در این وضعیت، ممکن است بخواهید دیتاسِت خودتان را بسازید و پالایش کنید. آرژیلا کمک می‌کند این کار را به‌طور کارآمد انجام دهید.

با Argilla می‌توانید:

  • داده‌های بدون ساختار را به داده‌های ساختاریافته تبدیل کنید تا در وظایف NLP به کار روند.
  • دیتاسِتی را پالایش کنید و آن را از دیتاسِتی کم‌کیفیت به دیتاسِتی باکیفیت تبدیل کنید.
  • بازخورد انسانی برای مدل‌های زبانی بزرگ و مدل‌های چندوجهی گردآوری کنید.
  • متخصصان را برای همکاری در Argilla دعوت کنید یا حاشیه‌گذاری‌ها را به‌صورت جمع‌سپاری گردآوری کنید!

در این فصل با برخی از این موارد آشنا می‌شوید:

  • چگونه نمونه‌ی Argilla خودتان را راه‌اندازی کنید.
  • چگونه دیتاسِتی را بارگذاری و بر اساس برخی وظایف رایج NLP پیکربندی کنید.
  • چگونه از رابط کاربری Argilla برای حاشیه‌گذاری دیتاسِت استفاده کنید.
  • چگونه از دیتاسِت پالایش‌شده‌ی خود استفاده و آن را به هاب صادر کنید.

Xet Storage Details

Size:
2.62 kB
·
Xet hash:
b09e2fc97ada36ff6fee5bd26e8e0b2aa7996ff23cbff4cc0e099410fc76791f

Xet efficiently stores files, intelligently splitting them into unique chunks and accelerating uploads and downloads. More info.