Buckets:

rtrm's picture
download
raw
3.2 kB
import{s as B,n as I,o as O}from"../chunks/scheduler.37c15a92.js";import{S as U,i as k,g as d,s as n,r as q,A as G,h as f,f as a,c as r,j as F,u as T,x as D,k as N,y as R,a as s,v as L,d as E,t as M,w as y}from"../chunks/index.2bf4358c.js";import{C as J}from"../chunks/CourseFloatingBanner.6add7356.js";import{H as K,E as Q}from"../chunks/getInferenceSnippets.24b50994.js";function V(z){let o,g,$,_,i,b,m,v,u,A="Bem, esse foi um belo passeio pela biblioteca 🤗 Datasets - parabéns por chegar até aqui! Com o conhecimento que você adquiriu neste capítulo, você deve ser capaz de:",C,l,S="<li>Carregue conjuntos de dados de qualquer lugar, seja o Hugging Face Hub, seu laptop ou um servidor remoto em sua empresa.</li> <li>Organize seus dados usando uma combinação das funções <code>Dataset.map()</code> e <code>Dataset.filter()</code>.</li> <li>Alterne rapidamente entre formatos de dados como Pandas e NumPy usando <code>Dataset.set_format()</code>.</li> <li>Crie seu próprio conjunto de dados e envie-o para o Hugging Face Hub.</li> <li>Incorpore seus documentos usando um modelo Transformer e construa um mecanismo de pesquisa semântica usando o FAISS.</li>",w,p,j='No <a href="/course/chapter7">Capítulo 7</a>, usaremos tudo isso para nos aprofundarmos nas principais tarefas de PNL para as quais os modelos Transformer são ótimos. Antes de avançar, no entanto, teste seu conhecimento de 🤗 Datasets com um teste rápido!',x,c,P,h,H;return i=new K({props:{title:"Confira o 🤗 Datasets!",local:"confira-o--datasets",headingTag:"h1"}}),m=new J({props:{chapter:5,classNames:"absolute z-10 right-0 top-0"}}),c=new Q({props:{source:"https://github.com/huggingface/course/blob/main/chapters/pt/chapter5/7.mdx"}}),{c(){o=d("meta"),g=n(),$=d("p"),_=n(),q(i.$$.fragment),b=n(),q(m.$$.fragment),v=n(),u=d("p"),u.textContent=A,C=n(),l=d("ul"),l.innerHTML=S,w=n(),p=d("p"),p.innerHTML=j,x=n(),q(c.$$.fragment),P=n(),h=d("p"),this.h()},l(e){const t=G("svelte-u9bgzb",document.head);o=f(t,"META",{name:!0,content:!0}),t.forEach(a),g=r(e),$=f(e,"P",{}),F($).forEach(a),_=r(e),T(i.$$.fragment,e),b=r(e),T(m.$$.fragment,e),v=r(e),u=f(e,"P",{"data-svelte-h":!0}),D(u)!=="svelte-l5w2x4"&&(u.textContent=A),C=r(e),l=f(e,"UL",{"data-svelte-h":!0}),D(l)!=="svelte-hbwvxf"&&(l.innerHTML=S),w=r(e),p=f(e,"P",{"data-svelte-h":!0}),D(p)!=="svelte-1w58tzw"&&(p.innerHTML=j),x=r(e),T(c.$$.fragment,e),P=r(e),h=f(e,"P",{}),F(h).forEach(a),this.h()},h(){N(o,"name","hf:doc:metadata"),N(o,"content",W)},m(e,t){R(document.head,o),s(e,g,t),s(e,$,t),s(e,_,t),L(i,e,t),s(e,b,t),L(m,e,t),s(e,v,t),s(e,u,t),s(e,C,t),s(e,l,t),s(e,w,t),s(e,p,t),s(e,x,t),L(c,e,t),s(e,P,t),s(e,h,t),H=!0},p:I,i(e){H||(E(i.$$.fragment,e),E(m.$$.fragment,e),E(c.$$.fragment,e),H=!0)},o(e){M(i.$$.fragment,e),M(m.$$.fragment,e),M(c.$$.fragment,e),H=!1},d(e){e&&(a(g),a($),a(_),a(b),a(v),a(u),a(C),a(l),a(w),a(p),a(x),a(P),a(h)),a(o),y(i,e),y(m,e),y(c,e)}}}const W='{"title":"Confira o 🤗 Datasets!","local":"confira-o--datasets","sections":[],"depth":1}';function X(z){return O(()=>{new URLSearchParams(window.location.search).get("fw")}),[]}class ae extends U{constructor(o){super(),k(this,o,X,V,B,{})}}export{ae as component};

Xet Storage Details

Size:
3.2 kB
·
Xet hash:
23758dc5b343ebfb9a4dda630a3b453da5f88fa3063adbb650493ea8bcf09719

Xet efficiently stores files, intelligently splitting them into unique chunks and accelerating uploads and downloads. More info.