kanyep/finetuning-sentiment-model-3000-samples

DistilBERT Sentiment Analysis — TP MLOps Hugging Face

• Auteur : Kanyep darry (kanyep)
• Modèle de base : distilbert-base-uncased
• Tâche : Classification de texte binaire (Analyse de sentiment : NEGATIVE [0], POSITIVE [1])
• Dataset d'entraînement : Rotten Tomatoes (3000 exemples)
• Projet : TP MLOps — Master 2

📖 Description du Modèle

Ce modèle est une version fine-tunée de DistilBERT (architecture compacte et rapide de BERT) entraînée pour prédire la polarité de sentiment de critiques de films ou textes courts en anglais.

Il a été entraîné et versionné dans le cadre des ateliers pratiques MLOps sur la plateforme Hugging Face.

📊 Métriques & Hyperparamètres d'Entraînement

• Nombre d'époques : 2
• Taux d'apprentissage (Learning Rate) : 2e-5
• Taille de batch (Train / Eval) : 16 / 16
• Optimiseur : AdamW (PyTorch Fused) avec lr scheduler linéaire
• Format des poids : Safetensors (model.safetensors, 267 Mo)

💻 Utilisation avec Transformers pipeline

from transformers import pipeline

# Chargement automatique du pipeline de classification de sentiment
classifier = pipeline("sentiment-analysis", model="kanyep/finetuning-sentiment-model-3000-samples")

# Exemples de prédiction
result = classifier("This movie was absolutely fantastic, a real masterpiece!")
print(result)

🌐 Démonstration Web Interactive (Space Gradio)

L'application web interactive associée à ce modèle est disponible ici : 👉 Space Gradio Analyse de Sentiment