Buckets:

|
download
raw
1.67 kB
# 🤗 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.