Una gema de Ruby para clasificar texto con Naive Bayes, LSI, k-Nearest Neighbors, Logistic Regression y TF-IDF, e incluye herramientas de CLI.
Classifier es una gema de Ruby para clasificar texto. Incluye cinco enfoques: Naive Bayes, Latent Semantic Indexing (LSI), k-Nearest Neighbors, Logistic Regression y vectorización TF-IDF, para que puedas elegir el método que mejor se adapte a tus datos y a la tarea.
La gema incluye una extensión nativa de C para las operaciones de LSI y recurre a una implementación en Ruby puro cuando la extensión no está disponible. LSI permite añadir documentos de forma incremental mediante el algoritmo de Brand, sin tener que reconstruir todo el índice cada vez que se agrega un documento. El entrenamiento puede leer datos en streaming desde archivos grandes, y los modelos entrenados se pueden guardar en archivos, Redis, S3, bases de datos SQL o almacenamiento personalizado.
También instala dos herramientas de línea de comandos. El comando `classifier` ejecuta modelos preentrenados, por ejemplo, para detectar spam o analizar sentimientos, o permite entrenar y aplicar tus propios modelos. El comando `keywords` ajusta un vocabulario TF-IDF y calcula la importancia de los términos en un texto.
Añade la gem a tu Gemfile
gem 'classifier'O instala la CLI con Homebrew
brew install classifierClasifica texto con un modelo preentrenado
classifier -r sms-spam-filter "You won a free iPhone"Resumen generado por IA a partir del README del proyecto. Las estadísticas de GitHub se actualizan a diario.
Biblioteca de NLP de alto rendimiento para Python y Cython, con tokenización, pipelines preentrenados y modelos entrenados para etiquetado, análisis sintáctico y reconocimiento de entidades.
SDK de Python no autorregresivo que responde preguntas predefinidas de clasificación y puntuación sobre texto o JSON, y devuelve etiquetas, puntuaciones y probabilidades en lugar de texto libre.
Extensión de spaCy que integra modelos de lenguaje grandes en pipelines de NLP estructurados para tareas como NER y clasificación de texto, sin datos de entrenamiento.
Librería de Python para clasificar textos que aprende de nuevos ejemplos y clases en tiempo de ejecución, con confianza calibrada y detección de datos fuera de distribución.
CLI basado en configuración para ejecutar y comparar experimentos de fine-tuning de LLM con distintos prompts, modelos open source y ajustes de LoRA, con pruebas integradas de resultados.
Un plan de estudios de 12 semanas y 26 lecciones para principiantes sobre machine learning clásico, con lecciones y cuestionarios en Python y R.