Aprende a construir un modelo de corrección de errores gramaticales en texto en este vídeo tutorial de 50 minutos. Explora la creación de un pipeline que combina un detector de errores basado en Roberta Base entrenado con el dataset CoLa y un corrector de errores construido sobre Flan-T5 large, entrenado específicamente con el dataset JFLEG. Descubre cómo transformar estos componentes al formato IR de OpenVino y aplicar técnicas de cuantización al componente de corrección para optimizar su rendimiento. Accede al notebook complementario en GitHub para seguir el proceso paso a paso y profundizar en la implementación práctica de este proyecto de procesamiento de lenguaje natural.
MLOps: OpenVino Quantized Pipeline for Grammatical Error Correction
The Machine Learning Engineer via YouTube
Overview
Syllabus
MLOps: OpenVino Quantized Pipeline Corrección de Errores Gramaticales #datascience #machinelearning
Taught by
The Machine Learning Engineer
Related Courses
-
MLOps: OpenVino Quantized Pipeline for Grammatical Error Correction
-
MLOps: Optimización PEFT para Resumen de Diálogos con Flan-T5 (LoRA) - Español
-
Fine-tuning Flan-T5 for Text Classification Using MLFlow - Spanish Tutorial
-
MLOps MLFlow: Fine-tuning Flan-T5 for Sequence-to-Sequence Classification in Spanish
-
LLMOps: Prompt Tuning for Dialog Summarization with Flan-T5 in Spanish
-
LLMOps: Comparación de Openvino, ONNX, TensorRT y Pytorch para Inferencia
