Lección 2 del curso Clasificación de Texto con Grandes Modelos de Lenguaje.
En la lección anterior vimos una introducción general a las diferentes estrategias de clasificación de texto que podemos implementar haciendo uso de LLMs (por sus siglas en Inglés: Large Language Models o Grandes Modelos de Lenguaje).
En esta lección comenzaremos con todo el componente práctico del curso y veremos una primera estrategia de clasificación haciendo uso de LLMs de representación pre-entrenados. Así que veremos en detalle qué son este tipo de modelos así como un ejemplo práctico de análisis de sentimientos:
Contenido exclusivo para suscriptores
Si eres suscriptor accede en este enlace ó suscríbete a la Academia Online y accede a todo el contenido (lecciones en video, código fuente, sets de datos y descargas) de todos los cursos, proyectos y tutoriales.
El método que acabamos de implementar es el más sencillo de todos, pues consiste simplemente en tomar un modelo de representación pre-entrenado específicamente para una tarea de clasificación y usarlo directamente para clasificar el texto en nuestro set de datos.
Sin embargo, a pesar de la simplicidad de este método su éxito radica en la correcta escogencia del modelo, pues idealmente debería haber sido entrenado con un corpus de características similares al que estemos usando en nuestro problema de clasificación.
En últimas, lo clave es evaluar el desempeño de este clasificador usando por ejemplo métricas como «precision», «recall» o el «f1-score», lo que nos permitirá cuantificar la calidad de estas predicciones.
Teniendo esto claro, en la siguiente lección veremos otra estrategia que podemos usar si el desempeño que obtenemos con el modelo pre-entrenado no es el esperado. Así que veremos cómo realizar la clasificación de texto con modelos tipo «embedding».
Todas las lecciones del curso Clasificación de Texto con Grandes Modelos de Lenguaje