Create README.md

README.md

@@ -0,0 +1,70 @@
+
+
+---
+license: mit
+datasets:
+- stanfordnlp/sst2
+language:
+- en
+---
+# BERT for SST-2 Sentiment Classification
+
+Этот репозиторий содержит дообученный модельный чекпоинт `bert-base-uncased` для задачи бинарной классификации тональности на датасете SST-2 из набора GLUE. [file:1]
+
+## Модель
+
+- Базовая архитектура: `bert-base-uncased` (12 слоёв, скрытый размер 768, 12 голов внимания). 
+- Задача: бинарная классификация тональности (положительная / отрицательная).
+- Заголовок классификации: полносвязный слой поверх [CLS]-эмбеддинга.
+
+## Датасет
+
+Модель обучена на подмножестве GLUE SST-2: 
+
+- Train: 67 349 примеров. 
+- Validation: 872 примера.
+- Test: 1 821 пример.   
+
+Входные данные — отдельные предложения на английском языке, размеченные как положительные или отрицательные по тональности. 
+
+## Обучение
+
+Основные параметры обучения: 
+
+- Epochs: 3  
+- Learning rate: 2e-5  
+- Batch size (per device): 16  
+- Weight decay: 0.01  
+- Evaluation strategy: `epoch`  
+- Метрика для выбора лучшей модели: `accuracy` на валидации.  
+
+Запуск тренировки выполнялся через `Trainer` из `transformers`:
+
+## Результаты
+
+По итогам обучения (3 эпохи) модель достигла следующей точности на валидационной выборке SST-2:
+
+- Validation accuracy ≈ 0.86  
+- Validation loss ≈ 0.34–0.53 (по эпохам).  
+
+## Использование
+
+Пример использования через `pipeline`:
+
+from transformers import pipeline
+
+classifier = pipeline(
+"text-classification",
+model="AlsuGibadullina/bertsst2learn",
+)
+
+classifier("The weather is not good today.")
+
+
+Выход — метка `POSITIVE` или `NEGATIVE` с вероятностью. [file:1]
+
+## Лицензия и ограничения
+
+- Базовая модель: `bert-base-uncased` (лицензия от Hugging Face/Google; см. страницу модели).  
+- Датасет: GLUE SST-2, используемый для исследовательских и образовательных целей. [file:1]  
+- Модель предназначена для учебных и исследовательских задач по анализу тональности на английском языке; не рекомендуется применять её в проде без дополнительной валидации.