Buckets:
| # 🤗 Datasets، تمام![[datasets-check]] | |
| <CourseFloatingBanner | |
| chapter={5} | |
| classNames="absolute z-10 right-0 top-0" | |
| /> | |
| 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](/course/chapter7)، 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.