Respuesta correcta
- DUsar AutoML Natural Language para entrenar un modelo personalizado
Explicación
AutoML Natural Language le permite entrenar un modelo personalizado con sus 200 ejemplos etiquetados sin escribir código, mejorando directamente la precisión para términos específicos del dominio como 'bullish' y 'bearish'. Este enfoque aprovecha el aprendizaje por transferencia de los modelos previamente entrenados de Google, minimizando el esfuerzo de codificación al tiempo que se adapta a su vocabulario y patrones de sentimiento únicos.
Para profundizar
AutoML Natural Language le permite entrenar un modelo personalizado de clasificación de texto o de sentimiento a partir de ejemplos etiquetados mediante una canalización administrada que gestiona la tokenización, la extracción de características y el ajuste de hiperparámetros, de modo que el desarrollador proporciona un conjunto de datos en CSV o JSONL y recibe un punto de conexión de modelo implementado. Con aproximadamente 200 ejemplos etiquetados, esto se encuentra dentro del mínimo recomendado para una tarea de clasificación de una sola etiqueta, y captura vocabulario de dominio como bullish o bearish que el modelo general previamente entrenado clasifica erróneamente. La Natural Language API no acepta un diccionario de sentimientos personalizado, y construir un modelo de TensorFlow exige mucho más esfuerzo de ingeniería. Una sutileza es que AutoML divide los datos para el entrenamiento, la validación y las pruebas, por lo que el equilibrio de etiquetas entre las clases importa más que el recuento bruto. Esto es importante cuando la jerga financiera sesga las puntuaciones de sentimiento genéricas.
Sobre estas preguntas de práctica
Esta es una de las preguntas de práctica originales de PMLE de Courseiva, escrita para aprender y nunca copiada de exámenes reales ni de dumps.
Traducida del original en inglés con IA y revisada para comprobar el sentido. Los códigos de examen, los comandos y los nombres de productos se mantienen tal como aparecen en el examen.