course/pr_1149/es/chapter1/10.md

Quiz de final de capítulo

¡Este capítulo cubrió una gran variedad de temas! No te preocupes si no entendiste todos los detalles; los siguientes capítulos te ayudarán a entender cómo funcionan las cosas detrás de cámaras.

Por ahora, ¡revisemos lo que aprendiste en este capítulo!

1. Explora el Hub y busca el punto de control roberta-large-mnli. ¿Qué tarea desarrolla?

página de roberta-large-mnli." }, { text: "Clasificación de texto", explain: " Más precisamente, clasifica si dos oraciones están relacionadas lógicamente a través de tres etiquetas (contradiction, neutral, entailment) - una tarea que también se conoce como inferencia de lenguaje natural.", correct: true }, { text: "Generación de texto", explain: "Vuelve a mirar en la página de roberta-large-mnli." } ]} />

2. ¿Qué devuelve el siguiente código?

from transformers import pipeline

ner = pipeline("ner", grouped_entities=True)
ner("My name is Sylvain and I work at Hugging Face in Brooklyn.")

sentiment-analysis." }, { text: "Devuelve un texto generado que completa esta oración.", explain: "Incorrecto - esto sería un pipeline de text-generation." }, { text: "Devuelve las palabras que representan personas, organizaciones o ubicaciones.", explain: "Adicionalmente, con grouped_entities=True, agrupará las palabras que pertenecen a la misma entidad, como "Hugging Face".", correct: true } ]} />

3. ¿Qué debería reemplazar ... en este ejemplo de código?

from transformers import pipeline

filler = pipeline("fill-mask", model="bert-base-cased")
result = filler("...")

has been waiting for you.", explain: "Incorrecto. Revisa la ficha del modelo bert-base-cased e intenta identificar tu error." }, { text: "This [MASK] has been waiting for you.", explain: "¡Correcto! El mask token de este modelo es [MASK].", correct: true }, { text: "This man has been waiting for you.", explain: "Incorrecto. Este pipeline llena palabras ocultas, por lo que necesita un mask token en algún lugar." } ]} />

4. ¿Por qué fallará este código?

from transformers import pipeline

classifier = pipeline("zero-shot-classification")
result = classifier("This is a course about the Transformers library")

candidate_labels=[...].", correct: true }, { text: "Este pipeline requiere varias oraciones, no sólo una.", explain: "Incorrecto, aunque cuando se usa adecuadamente, este pipeline puede tomar una lista de oraciones para procesar (como todos los otros pipelines)." }, { text: "La librería 🤗 Transformers está dañada, como siempre.", explain: "¡No vamos a dignificar esta respuesta con un comentario!" }, { text: "Este pipeline necesita entradas más largas; esta oración es muy corta.", explain: "Incorrecto. Un texto muy largo se va a truncar cuando se procesa por este pipeline." } ]} />

5. ¿Qué significa "transferencia de aprendizaje"?

6. ¿Verdadero o falso? Un modelo de lenguaje usualmente no necesita etiquetas para su preentrenamiento.

auto-supervisado, lo que significa que las etiquetas se crean automáticamente a partir de la entrada (como predecir la siguiente palabra o llenar palabras ocultas).", correct: true }, { text: "Falso", explain: "Esta no es la respuesta correcta." } ]} />

7. Selecciona la oración que describe mejor los términos "modelo", "arquitectura" y "pesos".

8. ¿Cuál de los siguientes tipos de modelos usarías para completar una indicación con texto generado?

9. ¿Cuál de los siguientes tipos de modelos usarías para resumir textos?

10. ¿Cuál de los siguientes tipos de modelos usarías para clasificar texto de acuerdo con ciertas etiquetas?

11. ¿Cuál puede ser una posible fuente del sesgo observado en un modelo?