Buckets:

|
download
raw
1.67 kB

🤗 Datasets، تمام![[datasets-check]]

خب، در کتابخانه‌ی 🤗 Datasets گشت‌وگذار کاملی داشتیم — بابت اینکه تا اینجا پیش آمدید تبریک می‌گوییم! با دانشی که از این فصل به دست آورده‌اید، باید بتوانید:

  • دیتاست‌ها را از هر جایی بارگذاری کنید؛ چه از هاب هاگینگ‌فِیس، لپ‌تاپ خودتان یا یک سرور راه دور در شرکتتان.
  • داده‌های خود را با ترکیبی از توابع Dataset.map() و Dataset.filter() سامان دهید.
  • با استفاده از Dataset.set_format() به‌سرعت بین قالب‌های داده‌ای مانند Pandas و NumPy جابه‌جا شوید.
  • دیتاست خودتان را بسازید و آن را به هاب هاگینگ‌فِیس push کنید.
  • سندهای خود را با استفاده از یک مدل ترنسفورمر به embedding تبدیل کنید و با FAISS یک موتور جست‌وجوی معنایی بسازید.

در فصل ۷، از همه‌ی این مهارت‌ها به‌خوبی استفاده می‌کنیم و به‌طور عمیق سراغ وظایف اصلی NLP می‌رویم که مدل‌های ترنسفورمر در انجامشان عالی هستند. بااین‌حال، پیش از رفتن به فصل بعد، دانسته‌های خود درباره‌ی 🤗 Datasets را با یک آزمون کوتاه محک بزنید!

Xet Storage Details

Size:
1.67 kB
·
Xet hash:
5017e7f883781fbbc4681edfe3293a5607a5d0f900176d80485175975185ab76

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