Lección 3 del curso Clasificación de Texto con Grandes Modelos de Lenguaje.
En la lección anterior vimos una primera alternativa de clasificación de texto usando Grandes Modelos de Lenguaje (o LLMs por sus siglas en Inglés: Large Language Models). En particular vimos cómo usar un LLM de representación pre-entrenado al momento de realizar la clasificación.
En esta lección veremos cómo usar un modelo tipo «embedding», en combinación con el entrenamiento de una pequeña capa de salida, para implementar un clasificador de texto para una tarea 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.
Como acabamos de ver, esta segunda alternativa es realmente muy fácil de implementar. En primer lugar, usamos el modelo tipo «embedding» pre-entrenado para generar representaciones vectoriales del texto a clasificar. Y luego entrenamos una sencilla capa de clasificación usando los «embeddings» generados anteriormente.
Y con la combinación de estos dos elementos logramos implementar un clasificador que, en ocasiones, tendrá un mejor desempeño que un modelo de representación pre-entrenado (como el visto en la lección anterior).
En la siguiente lección veremos una tercera alternativa a los dos esquemas de clasificación vistos hasta este momento. Así que veremos cómo realizar la clasificación de texto «zero-shot» usando modelos representativos.
Todas las lecciones del curso Clasificación de Texto con Grandes Modelos de Lenguaje