Bonne réponse
- DUtiliser AutoML Natural Language pour entraîner un modèle personnalisé
Explication
AutoML Natural Language vous permet d'entraîner un modèle personnalisé sur vos 200 exemples étiquetés sans écrire de code, améliorant directement la précision pour les termes spécifiques au domaine tels que 'bullish' et 'bearish'. Cette approche exploite l'apprentissage par transfert des modèles pré-entraînés de Google, minimisant l'effort de codage tout en s'adaptant à votre vocabulaire et à vos schémas de sentiment uniques.
Pour aller plus loin
AutoML Natural Language vous permet d'entraîner un modèle personnalisé de classification de texte ou de sentiment à partir d'exemples étiquetés via un pipeline géré qui gère la tokenisation, l'extraction de caractéristiques et l'optimisation des hyperparamètres, de sorte que le développeur fournit un jeu de données CSV ou JSONL et reçoit un point de terminaison de modèle déployé. Avec environ 200 exemples étiquetés, cela se situe dans le minimum recommandé pour une tâche de classification à étiquette unique, et cela capture le vocabulaire de domaine tel que bullish ou bearish que le modèle général pré-entraîné classe mal. La Natural Language API n'accepte pas de dictionnaire de sentiments personnalisé, et construire un modèle TensorFlow exige beaucoup plus d'efforts d'ingénierie. Une subtilité est qu'AutoML divise les données pour l'entraînement, la validation et les tests, de sorte que l'équilibre des étiquettes entre les classes importe plus que le nombre brut. Cela compte lorsque le jargon financier fausse les scores de sentiment génériques.
À propos de ces questions d'entraînement
Cette question fait partie des questions d'entraînement PMLE originales de Courseiva, rédigées pour apprendre et jamais copiées d'examens réels ou de dumps.
Traduite de l'original anglais avec l'IA et vérifiée pour le sens. Les codes d'examen, les commandes et les noms de produits sont conservés tels qu'ils apparaissent à l'examen.