IRI2070/tooka-bert-large-sentiment

مدل جانبی tooka-bert-large برای تحلیل احساسات

⚙️ روند آموزش

• تعداد ایپاک: ۳
• اندازه بچ: ۸
• بهینه‌ساز: AdamW (پیش‌فرض در Hugging Face Trainer)
• زمان آموزش: حدود ۵ ساعت و ۳۰ دقیقه
• دیتاست مورد استفاده: IRI2070/snappfood-refined-sentiment-dataset

---

📈 نتایج ارزیابی

• دقت (Accuracy): ‎0.9996٪
• Eval Loss: ‎0.0033

این نتایج عملکرد قوی مدل را در تحلیل احساسات فارسی نشان می‌دهد و اثربخشی TookaBERT-Large را در فاین‌تیون روی دیتاست‌های خاص حوزه تأیید می‌کند.

---

🚀 نحوه استفاده

pip install 'git+https://github.com/huggingface/transformers.git'

from transformers import AutoTokenizer, AutoModelForSequenceClassification, pipeline

model_name = "IRI2070/tooka-bert-large-snappfood-sentiment"
tokenizer = AutoTokenizer.from_pretrained(model_name)
model = AutoModelForSequenceClassification.from_pretrained(model_name)

nlp = pipeline("text-classification", model=model, tokenizer=tokenizer)

text = "غذا خیلی خوشمزه بود و سریع رسید."
print(nlp(text))
# [{'label': 'HAPPY', 'score': 0.95}]

---

📌 کاربردهای مورد انتظار

• وظیفه اصلی: تحلیل احساسات (طبقه‌بندی دودویی)
• زبان: فارسی
• دامنه: نظرات مربوط به سفارش غذا
• کاربردها: تحلیل بازخورد مشتریان، سیستم‌های پیشنهاددهنده، پایش برند

---

⚠️ محدودیت‌ها و سوگیری‌ها

• آموزش فقط بر روی نظرات اسنپ‌فود → ممکن است به سایر حوزه‌ها تعمیم‌پذیر نباشد.
• احتمال سوگیری ناشی از توزیع دیتاست (مثلاً عدم توازن بین نظرات مثبت و منفی).

---

این پروژه بخشی از فعالیت‌های آموزشی و پژوهشی در آکادمی همراه اول است و با هدف ارتقای دانش در حوزه‌ی NLP و یادگیری عمیق منتشر شده است.