File size: 106,977 Bytes
aaf3bac |
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126 127 128 129 130 131 132 133 134 135 136 137 138 139 140 141 142 143 144 145 146 147 148 149 150 151 152 153 154 155 156 157 158 159 160 161 162 163 164 165 166 167 168 169 170 171 172 173 174 175 176 177 178 179 180 181 182 183 184 185 186 187 188 189 190 191 192 193 194 195 196 197 198 199 200 201 202 203 204 205 206 207 208 209 210 211 212 213 214 215 216 217 218 219 220 221 222 223 224 225 226 227 228 229 230 231 232 233 234 235 236 237 238 239 240 241 242 243 244 245 246 247 248 249 250 251 252 253 254 255 256 257 258 259 260 261 262 263 264 265 266 267 268 269 270 271 272 273 274 275 276 277 278 279 280 281 282 283 284 285 286 287 288 289 290 291 292 293 294 295 296 297 298 299 300 301 302 303 304 305 306 307 308 309 310 311 312 313 314 315 316 317 318 319 320 321 322 323 324 325 326 327 328 329 330 331 332 333 334 335 336 337 338 339 340 341 342 343 344 345 346 347 348 349 350 351 352 353 354 355 356 357 358 359 360 361 362 363 364 365 366 367 368 369 370 371 372 373 374 375 376 377 378 379 380 381 382 383 384 385 386 387 388 389 390 391 392 393 394 395 396 397 398 399 400 401 402 403 404 405 406 407 408 409 410 411 412 413 414 415 416 417 418 419 420 421 422 423 424 425 426 427 428 429 430 431 432 433 434 435 436 437 438 439 440 441 442 443 444 445 446 447 448 449 450 451 452 453 454 455 456 457 458 459 460 461 462 463 464 465 466 467 468 469 470 471 472 473 474 475 476 477 478 479 480 481 482 483 484 485 486 487 488 489 490 491 492 493 494 495 496 497 498 499 500 501 502 503 504 505 506 507 508 509 510 511 512 513 514 515 516 517 518 519 520 521 522 523 524 525 526 527 528 529 530 531 532 533 534 535 536 537 538 539 540 541 542 543 544 545 546 547 548 549 550 551 552 553 554 555 556 557 558 559 560 561 562 563 564 565 566 567 568 569 570 571 572 573 574 575 576 577 578 579 580 581 582 583 584 585 586 587 588 589 590 591 592 593 594 595 596 597 598 599 600 601 602 603 604 605 606 607 608 609 610 611 612 613 614 615 616 617 618 619 620 621 622 623 624 625 626 627 628 629 630 631 632 633 634 635 636 637 638 639 640 641 642 643 644 645 646 647 648 649 650 651 652 653 654 655 656 657 658 659 660 661 662 663 664 665 666 667 668 669 670 671 672 673 674 675 676 677 678 679 680 681 682 683 684 685 686 687 688 689 690 691 692 693 694 695 696 697 698 699 700 701 702 703 704 705 706 707 708 709 710 711 712 713 714 715 716 717 718 719 720 721 722 723 724 725 726 727 728 729 730 731 732 733 734 735 736 737 738 739 740 741 742 743 744 745 746 747 748 749 750 751 752 753 754 755 756 757 758 759 760 761 762 763 764 765 766 767 768 769 770 771 772 773 774 775 776 777 778 779 780 781 782 783 784 785 786 787 788 789 790 791 792 793 794 795 796 797 798 799 800 801 802 803 804 805 806 807 808 809 810 811 812 813 814 815 816 817 818 819 820 821 822 823 824 825 826 827 828 829 830 831 832 833 834 835 836 837 838 839 840 841 842 843 844 845 846 847 848 849 850 851 852 853 854 855 856 857 858 859 860 861 862 863 864 865 866 867 868 869 870 871 872 873 874 875 876 877 878 879 880 881 882 883 884 885 886 887 888 889 890 891 892 893 894 895 896 897 898 899 900 901 902 903 904 905 906 907 908 909 910 911 912 913 914 915 916 917 918 919 920 921 922 923 924 925 926 927 928 929 930 931 932 933 934 935 936 937 938 939 940 941 942 943 944 945 946 947 948 949 950 951 952 953 954 955 956 957 958 959 960 961 962 963 964 965 966 967 968 969 970 971 972 973 974 975 976 977 978 979 980 981 982 983 984 985 986 987 988 989 990 991 992 993 994 995 996 997 998 999 1000 1001 1002 1003 1004 1005 1006 1007 1008 1009 1010 1011 1012 1013 1014 1015 1016 1017 1018 1019 1020 1021 1022 1023 1024 1025 1026 1027 1028 1029 1030 1031 1032 1033 1034 1035 1036 1037 1038 1039 1040 1041 1042 1043 1044 1045 1046 1047 1048 1049 1050 1051 1052 1053 1054 1055 1056 1057 1058 1059 1060 1061 1062 1063 1064 1065 1066 1067 1068 1069 1070 1071 1072 1073 1074 1075 1076 1077 1078 1079 1080 1081 1082 1083 1084 1085 1086 1087 1088 1089 1090 1091 1092 1093 1094 1095 1096 1097 1098 1099 1100 1101 1102 1103 1104 1105 1106 1107 1108 1109 1110 1111 1112 1113 1114 1115 1116 1117 1118 |
---
tags:
- sentence-transformers
- sentence-similarity
- feature-extraction
- generated_from_trainer
- dataset_size:1533351
- loss:MultipleNegativesRankingLoss
- loss:SoftmaxLoss
- loss:CoSENTLoss
base_model: selmanbaysan/multilingual-e5-base_contrastive_loss_training
widget:
- source_sentence: CIA, filmi indirdi ve filmi ertesi gün Birleşmiş Milletlere götürdü.
sentences:
- Bir açıklama yapmalısın! Wolverstone'a ne oldu?
- CIA, BM’nin filmi hemen görmesi gerektiğini düşünüyordu.
- Benim yolum en zor yoldur.
- source_sentence: Port Royal'de bu serseriyi bekleyen bir idam sehpası var. Kanlı
Korsan buna müdahale ederdi ama Lord Julian önce davranıp ona engel oldu.
sentences:
- Babamız bunların hayvan değil yaratık olduğunu söyledi.
- Port Royal suçluları cezalandırmak için olanaklara sahiptir.
- Geç Anneler Günü kahvaltısına bazı arkadaşlar sırayla ev sahipliği yapıyorlar.
- source_sentence: satın almak için hangi boyut Fitbit şarj
sentences:
- Texas A&M'den bir eğitim, yıldan yıla çok arzu edilen ve çok uygun fiyatlı olmaya
devam ediyor. Texas A&M'e bir yıl boyunca katılmak için toplam ortalama katılım
maliyeti yaklaşık 22,470 $ (devlet içi ikamet edenler için), eğitim ve harç, oda
ve yönetim kurulu, kitaplar, ulaşım ve çeşitli masraflar içerir. Kolej İstasyonu'ndaki
Texas A&M Üniversitesi'nde dönem başına 15 lisans kredi saatine dayanarak; bazı
harç ve harçlar buraya yansıtılmamıştır.
- İlk fitbitimi satın almak istiyorum ve şarj saatine karar verdim. Bununla birlikte,
bileğimi ölçtükten sonra, 6,5 inçte geldi. Mevcut boyutları kontrol ettikten sonra
küçük ve büyük arasındayım gibi görünüyor. Küçük 6,7'ye çıkar ve büyük 6.3'ten
başlar. Hangisinin daha iyi olacağından gerçekten emin değilim.
- Atriyal Dalgalanma Nedenleri. Atriyal dalgalanma, kalbin anormalliklerinden veya
hastalıklarından, vücudun başka bir yerinde kalbi etkileyen bir hastalıktan veya
elektriksel dürtülerin kalp yoluyla bulaşma şeklini değiştiren maddelerin tüketilmesinden
kaynaklanabilir. Bazı insanlarda, altta yatan hiçbir neden bulunmaz.
- source_sentence: '"Ben kimim" sorusuna nasıl cevap veririm?'
sentences:
- Notlarımı nasıl ezberleyebilirim?
- Birinin en zor soru olan "ben kimim?" sorusuna nasıl cevap verebileceği nasıl
açıklanabilir?
- Donald Trump'ın 2016 seçimlerini kazanma ihtimali nedir?
- source_sentence: Stoklara nasıl yatırım yapabilirim?
sentences:
- '
Bu soru yüklü ama denemek için elimden geleni yapacağım. Öncelikle, hisse senetlerine
yatırım yapmadan önce hazır olup olmadığınızı belirlemeniz gerekir. Yüksek faizli
borcunuz varsa, hisse senetlerine yatırım yapmadan önce onu ödemeniz daha iyi
olacaktır. Hisse senetleri uzun vadede yaklaşık %8-10 getiri sağlar, bu nedenle
%8-10''dan daha yüksek faizli herhangi bir borcunuzu ödemeniz daha iyi olur. Çoğu
insan, 401k''larında veya Roth IRA''larında ortak fonlar aracılığıyla hisse senetlerine
başlar. Bireysel hisse senetleri yerine ortak fonlara yatırım yapmak istiyorsanız,
çok okumalı ve öğrenmelisiniz. Bir aracı hesap veya hisse senedi aklınızda varsa,
doğrudan şirkete DRIP (temettü yeniden yatırma planı) aracılığıyla yatırım yapabilirsiniz.
Farklı aracı kurumları karşılaştırarak size en uygun olanı belirlemeniz gerekir.
İnternet bilgisine sahip olduğunuzu göz önünde bulundurarak, daha düşük komisyonlar
sunan bir indirimli aracı kurum kullanmanızı öneririm. İyi bir kılavuz, yatırım
yaptığınız tutarın %1''inden daha az komisyon ödemektir. Çevrimiçi aracı hesabınızı
açıp içine para yatırdıktan sonra, hisse senedi satın alma işlemi oldukça basittir.
Satın almak istediğiniz hisse senedi miktarı için bir emir verin. Bu, mevcut piyasa
fiyatında bir satın alma anlamına gelen bir piyasa emri olabilir. Veya fiyatı
kontrol edebileceğiniz bir sınır emri kullanabilirsiniz. Yeni başlayanlar için
birçok iyi kitap vardır. Kişisel olarak, Motley Fool''dan öğrendim. Ve son olarak,
eğlenin. Öğrendiğiniz kadarını öğrenin ve kulübünüzün tadını çıkarın.'
- '"En iyi çözüm, arabayı satın almak ve kendi kredinizi almak (ChrisInEdmonton''un
yanıtladığı gibi). Buna rağmen, kredi birliğim, bir başkasını başlığa eklerken
hala bir kredim olduğunda bir başlık kayıt ücreti için izin verdi. Başlık sahibi
olan bankaya, bir başkasını başlığa eklemek için bir hüküm olup olmadığını sorabilirsiniz. Benim
için toplam maliyet, bankada bir öğleden sonra ve yaklaşık 20 veya 40 dolar (bir
süredir) oldu."'
- 'Öncelikle varsayımınız doğru: Büyük bir miktar YetAnotherCryptoCoin''i ICO''sundan
kısa bir süre sonra nasıl nakde çevirebilirsiniz? Kripto borsaları yeni bir para
birimini eklemek için biraz zaman alır, hatta hiç eklemeyebilirler. Ve hatta eklediklerinde,
işlem hacmi genellikle düşüktür. Sanırım bu, yatırımcılar için gerçekten çekici
olmayan şeydir (teknoloji tutkunlarından ayrı olarak), yüksek volatilite dışında.
Güvenilir bir işlem yeteneği tamamen eksikliği.'
datasets:
- selmanbaysan/msmarco-tr_fine_tuning_dataset
- selmanbaysan/fiqa-tr_fine_tuning_dataset
- selmanbaysan/scifact-tr_fine_tuning_dataset
- selmanbaysan/nfcorpus-tr_fine_tuning_dataset
- selmanbaysan/multinli_tr_fine_tuning_dataset
- selmanbaysan/snli_tr_fine_tuning_dataset
- selmanbaysan/stsb-tr
- selmanbaysan/wmt16_en_tr_fine_tuning_dataset
- selmanbaysan/quora-tr_fine_tuning_dataset
- selmanbaysan/xnli_tr_fine_tuning_dataset
pipeline_tag: sentence-similarity
library_name: sentence-transformers
metrics:
- pearson_cosine
- spearman_cosine
- cosine_accuracy
- cosine_accuracy_threshold
- cosine_f1
- cosine_f1_threshold
- cosine_precision
- cosine_recall
- cosine_ap
- cosine_mcc
model-index:
- name: SentenceTransformer based on selmanbaysan/multilingual-e5-base_contrastive_loss_training
results:
- task:
type: semantic-similarity
name: Semantic Similarity
dataset:
name: stsb tr
type: stsb-tr
metrics:
- type: pearson_cosine
value: 0.6556453013820032
name: Pearson Cosine
- type: spearman_cosine
value: 0.6782939481574035
name: Spearman Cosine
- task:
type: binary-classification
name: Binary Classification
dataset:
name: snli tr
type: snli-tr
metrics:
- type: cosine_accuracy
value: 0.6908
name: Cosine Accuracy
- type: cosine_accuracy_threshold
value: 0.7747554779052734
name: Cosine Accuracy Threshold
- type: cosine_f1
value: 0.5099908340971585
name: Cosine F1
- type: cosine_f1_threshold
value: 0.09426674246788025
name: Cosine F1 Threshold
- type: cosine_precision
value: 0.3669700567207492
name: Cosine Precision
- type: cosine_recall
value: 0.835686392310003
name: Cosine Recall
- type: cosine_ap
value: 0.48727667151227805
name: Cosine Ap
- type: cosine_mcc
value: 0.12798698333564357
name: Cosine Mcc
- task:
type: binary-classification
name: Binary Classification
dataset:
name: xnli tr
type: xnli-tr
metrics:
- type: cosine_accuracy
value: 0.7184738955823293
name: Cosine Accuracy
- type: cosine_accuracy_threshold
value: 0.6220401525497437
name: Cosine Accuracy Threshold
- type: cosine_f1
value: 0.5964757709251101
name: Cosine F1
- type: cosine_f1_threshold
value: 0.3619864583015442
name: Cosine F1 Threshold
- type: cosine_precision
value: 0.4701388888888889
name: Cosine Precision
- type: cosine_recall
value: 0.8156626506024096
name: Cosine Recall
- type: cosine_ap
value: 0.5938035157694832
name: Cosine Ap
- type: cosine_mcc
value: 0.3398572879761094
name: Cosine Mcc
- task:
type: binary-classification
name: Binary Classification
dataset:
name: wmt16
type: wmt16
metrics:
- type: cosine_accuracy
value: 0.999000999000999
name: Cosine Accuracy
- type: cosine_accuracy_threshold
value: 0.31353089213371277
name: Cosine Accuracy Threshold
- type: cosine_f1
value: 0.9995002498750626
name: Cosine F1
- type: cosine_f1_threshold
value: 0.31353089213371277
name: Cosine F1 Threshold
- type: cosine_precision
value: 1.0
name: Cosine Precision
- type: cosine_recall
value: 0.999000999000999
name: Cosine Recall
- type: cosine_ap
value: 1.0
name: Cosine Ap
- type: cosine_mcc
value: 0.0
name: Cosine Mcc
- task:
type: binary-classification
name: Binary Classification
dataset:
name: msmarco tr
type: msmarco-tr
metrics:
- type: cosine_accuracy
value: 0.9999682942295498
name: Cosine Accuracy
- type: cosine_accuracy_threshold
value: -0.1410704255104065
name: Cosine Accuracy Threshold
- type: cosine_f1
value: 0.9999841468634569
name: Cosine F1
- type: cosine_f1_threshold
value: -0.1410704255104065
name: Cosine F1 Threshold
- type: cosine_precision
value: 1.0
name: Cosine Precision
- type: cosine_recall
value: 0.9999682942295498
name: Cosine Recall
- type: cosine_ap
value: 1.0
name: Cosine Ap
- type: cosine_mcc
value: 0.0
name: Cosine Mcc
- task:
type: binary-classification
name: Binary Classification
dataset:
name: fiqa tr
type: fiqa-tr
metrics:
- type: cosine_accuracy
value: 0.9991922455573505
name: Cosine Accuracy
- type: cosine_accuracy_threshold
value: -0.05211538076400757
name: Cosine Accuracy Threshold
- type: cosine_f1
value: 0.9995959595959596
name: Cosine F1
- type: cosine_f1_threshold
value: -0.05211538076400757
name: Cosine F1 Threshold
- type: cosine_precision
value: 1.0
name: Cosine Precision
- type: cosine_recall
value: 0.9991922455573505
name: Cosine Recall
- type: cosine_ap
value: 1.0
name: Cosine Ap
- type: cosine_mcc
value: 0.0
name: Cosine Mcc
- task:
type: binary-classification
name: Binary Classification
dataset:
name: quora tr
type: quora-tr
metrics:
- type: cosine_accuracy
value: 0.9998688696564385
name: Cosine Accuracy
- type: cosine_accuracy_threshold
value: 0.16239479184150696
name: Cosine Accuracy Threshold
- type: cosine_f1
value: 0.9999344305291455
name: Cosine F1
- type: cosine_f1_threshold
value: 0.16239479184150696
name: Cosine F1 Threshold
- type: cosine_precision
value: 1.0
name: Cosine Precision
- type: cosine_recall
value: 0.9998688696564385
name: Cosine Recall
- type: cosine_ap
value: 1.0
name: Cosine Ap
- type: cosine_mcc
value: 0.0
name: Cosine Mcc
- task:
type: binary-classification
name: Binary Classification
dataset:
name: nfcorpus tr
type: nfcorpus-tr
metrics:
- type: cosine_accuracy
value: 0.9999121651295564
name: Cosine Accuracy
- type: cosine_accuracy_threshold
value: -0.12271487712860107
name: Cosine Accuracy Threshold
- type: cosine_f1
value: 0.9999560806359523
name: Cosine F1
- type: cosine_f1_threshold
value: -0.12271487712860107
name: Cosine F1 Threshold
- type: cosine_precision
value: 1.0
name: Cosine Precision
- type: cosine_recall
value: 0.9999121651295564
name: Cosine Recall
- type: cosine_ap
value: 1.0
name: Cosine Ap
- type: cosine_mcc
value: 0.0
name: Cosine Mcc
---
# SentenceTransformer based on selmanbaysan/multilingual-e5-base_contrastive_loss_training
This is a [sentence-transformers](https://www.SBERT.net) model finetuned from [selmanbaysan/multilingual-e5-base_contrastive_loss_training](https://huggingface.co/selmanbaysan/multilingual-e5-base_contrastive_loss_training) on the [msmarco-tr](https://huggingface.co/datasets/selmanbaysan/msmarco-tr_fine_tuning_dataset), [fiqa-tr](https://huggingface.co/datasets/selmanbaysan/fiqa-tr_fine_tuning_dataset), [scifact-tr](https://huggingface.co/datasets/selmanbaysan/scifact-tr_fine_tuning_dataset), [nfcorpus-tr](https://huggingface.co/datasets/selmanbaysan/nfcorpus-tr_fine_tuning_dataset), [multinli-tr](https://huggingface.co/datasets/selmanbaysan/multinli_tr_fine_tuning_dataset), [snli-tr](https://huggingface.co/datasets/selmanbaysan/snli_tr_fine_tuning_dataset), [stsb-tr](https://huggingface.co/datasets/selmanbaysan/stsb-tr) and [wmt16](https://huggingface.co/datasets/selmanbaysan/wmt16_en_tr_fine_tuning_dataset) datasets. It maps sentences & paragraphs to a 768-dimensional dense vector space and can be used for semantic textual similarity, semantic search, paraphrase mining, text classification, clustering, and more.
## Model Details
### Model Description
- **Model Type:** Sentence Transformer
- **Base model:** [selmanbaysan/multilingual-e5-base_contrastive_loss_training](https://huggingface.co/selmanbaysan/multilingual-e5-base_contrastive_loss_training) <!-- at revision e3937ce834767381a575e644dc98a24787685c8d -->
- **Maximum Sequence Length:** 512 tokens
- **Output Dimensionality:** 768 dimensions
- **Similarity Function:** Cosine Similarity
- **Training Datasets:**
- [msmarco-tr](https://huggingface.co/datasets/selmanbaysan/msmarco-tr_fine_tuning_dataset)
- [fiqa-tr](https://huggingface.co/datasets/selmanbaysan/fiqa-tr_fine_tuning_dataset)
- [scifact-tr](https://huggingface.co/datasets/selmanbaysan/scifact-tr_fine_tuning_dataset)
- [nfcorpus-tr](https://huggingface.co/datasets/selmanbaysan/nfcorpus-tr_fine_tuning_dataset)
- [multinli-tr](https://huggingface.co/datasets/selmanbaysan/multinli_tr_fine_tuning_dataset)
- [snli-tr](https://huggingface.co/datasets/selmanbaysan/snli_tr_fine_tuning_dataset)
- [stsb-tr](https://huggingface.co/datasets/selmanbaysan/stsb-tr)
- [wmt16](https://huggingface.co/datasets/selmanbaysan/wmt16_en_tr_fine_tuning_dataset)
<!-- - **Language:** Unknown -->
<!-- - **License:** Unknown -->
### Model Sources
- **Documentation:** [Sentence Transformers Documentation](https://sbert.net)
- **Repository:** [Sentence Transformers on GitHub](https://github.com/UKPLab/sentence-transformers)
- **Hugging Face:** [Sentence Transformers on Hugging Face](https://huggingface.co/models?library=sentence-transformers)
### Full Model Architecture
```
SentenceTransformer(
(0): Transformer({'max_seq_length': 512, 'do_lower_case': False}) with Transformer model: XLMRobertaModel
(1): Pooling({'word_embedding_dimension': 768, 'pooling_mode_cls_token': False, 'pooling_mode_mean_tokens': True, 'pooling_mode_max_tokens': False, 'pooling_mode_mean_sqrt_len_tokens': False, 'pooling_mode_weightedmean_tokens': False, 'pooling_mode_lasttoken': False, 'include_prompt': True})
(2): Normalize()
)
```
## Usage
### Direct Usage (Sentence Transformers)
First install the Sentence Transformers library:
```bash
pip install -U sentence-transformers
```
Then you can load this model and run inference.
```python
from sentence_transformers import SentenceTransformer
# Download from the 🤗 Hub
model = SentenceTransformer("selmanbaysan/multilingual-e5-base_fine_tuned")
# Run inference
sentences = [
'Stoklara nasıl yatırım yapabilirim?',
"\nBu soru yüklü ama denemek için elimden geleni yapacağım. Öncelikle, hisse senetlerine yatırım yapmadan önce hazır olup olmadığınızı belirlemeniz gerekir. Yüksek faizli borcunuz varsa, hisse senetlerine yatırım yapmadan önce onu ödemeniz daha iyi olacaktır. Hisse senetleri uzun vadede yaklaşık %8-10 getiri sağlar, bu nedenle %8-10'dan daha yüksek faizli herhangi bir borcunuzu ödemeniz daha iyi olur. Çoğu insan, 401k'larında veya Roth IRA'larında ortak fonlar aracılığıyla hisse senetlerine başlar. Bireysel hisse senetleri yerine ortak fonlara yatırım yapmak istiyorsanız, çok okumalı ve öğrenmelisiniz. Bir aracı hesap veya hisse senedi aklınızda varsa, doğrudan şirkete DRIP (temettü yeniden yatırma planı) aracılığıyla yatırım yapabilirsiniz. Farklı aracı kurumları karşılaştırarak size en uygun olanı belirlemeniz gerekir. İnternet bilgisine sahip olduğunuzu göz önünde bulundurarak, daha düşük komisyonlar sunan bir indirimli aracı kurum kullanmanızı öneririm. İyi bir kılavuz, yatırım yaptığınız tutarın %1'inden daha az komisyon ödemektir. Çevrimiçi aracı hesabınızı açıp içine para yatırdıktan sonra, hisse senedi satın alma işlemi oldukça basittir. Satın almak istediğiniz hisse senedi miktarı için bir emir verin. Bu, mevcut piyasa fiyatında bir satın alma anlamına gelen bir piyasa emri olabilir. Veya fiyatı kontrol edebileceğiniz bir sınır emri kullanabilirsiniz. Yeni başlayanlar için birçok iyi kitap vardır. Kişisel olarak, Motley Fool'dan öğrendim. Ve son olarak, eğlenin. Öğrendiğiniz kadarını öğrenin ve kulübünüzün tadını çıkarın.",
"Öncelikle varsayımınız doğru: Büyük bir miktar YetAnotherCryptoCoin'i ICO'sundan kısa bir süre sonra nasıl nakde çevirebilirsiniz? Kripto borsaları yeni bir para birimini eklemek için biraz zaman alır, hatta hiç eklemeyebilirler. Ve hatta eklediklerinde, işlem hacmi genellikle düşüktür. Sanırım bu, yatırımcılar için gerçekten çekici olmayan şeydir (teknoloji tutkunlarından ayrı olarak), yüksek volatilite dışında. Güvenilir bir işlem yeteneği tamamen eksikliği.",
]
embeddings = model.encode(sentences)
print(embeddings.shape)
# [3, 768]
# Get the similarity scores for the embeddings
similarities = model.similarity(embeddings, embeddings)
print(similarities.shape)
# [3, 3]
```
<!--
### Direct Usage (Transformers)
<details><summary>Click to see the direct usage in Transformers</summary>
</details>
-->
<!--
### Downstream Usage (Sentence Transformers)
You can finetune this model on your own dataset.
<details><summary>Click to expand</summary>
</details>
-->
<!--
### Out-of-Scope Use
*List how the model may foreseeably be misused and address what users ought not to do with the model.*
-->
## Evaluation
### Metrics
#### Semantic Similarity
* Dataset: `stsb-tr`
* Evaluated with [<code>EmbeddingSimilarityEvaluator</code>](https://sbert.net/docs/package_reference/sentence_transformer/evaluation.html#sentence_transformers.evaluation.EmbeddingSimilarityEvaluator)
| Metric | Value |
|:--------------------|:-----------|
| pearson_cosine | 0.6556 |
| **spearman_cosine** | **0.6783** |
#### Binary Classification
* Datasets: `snli-tr`, `xnli-tr`, `wmt16`, `msmarco-tr`, `fiqa-tr`, `quora-tr` and `nfcorpus-tr`
* Evaluated with [<code>BinaryClassificationEvaluator</code>](https://sbert.net/docs/package_reference/sentence_transformer/evaluation.html#sentence_transformers.evaluation.BinaryClassificationEvaluator)
| Metric | snli-tr | xnli-tr | wmt16 | msmarco-tr | fiqa-tr | quora-tr | nfcorpus-tr |
|:--------------------------|:-----------|:-----------|:--------|:-----------|:--------|:---------|:------------|
| cosine_accuracy | 0.6908 | 0.7185 | 0.999 | 1.0 | 0.9992 | 0.9999 | 0.9999 |
| cosine_accuracy_threshold | 0.7748 | 0.622 | 0.3135 | -0.1411 | -0.0521 | 0.1624 | -0.1227 |
| cosine_f1 | 0.51 | 0.5965 | 0.9995 | 1.0 | 0.9996 | 0.9999 | 1.0 |
| cosine_f1_threshold | 0.0943 | 0.362 | 0.3135 | -0.1411 | -0.0521 | 0.1624 | -0.1227 |
| cosine_precision | 0.367 | 0.4701 | 1.0 | 1.0 | 1.0 | 1.0 | 1.0 |
| cosine_recall | 0.8357 | 0.8157 | 0.999 | 1.0 | 0.9992 | 0.9999 | 0.9999 |
| **cosine_ap** | **0.4873** | **0.5938** | **1.0** | **1.0** | **1.0** | **1.0** | **1.0** |
| cosine_mcc | 0.128 | 0.3399 | 0.0 | 0.0 | 0.0 | 0.0 | 0.0 |
<!--
## Bias, Risks and Limitations
*What are the known or foreseeable issues stemming from this model? You could also flag here known failure cases or weaknesses of the model.*
-->
<!--
### Recommendations
*What are recommendations with respect to the foreseeable issues? For example, filtering explicit content.*
-->
## Training Details
### Training Datasets
<details><summary>msmarco-tr</summary>
#### msmarco-tr
* Dataset: [msmarco-tr](https://huggingface.co/datasets/selmanbaysan/msmarco-tr_fine_tuning_dataset) at [f03d837](https://huggingface.co/datasets/selmanbaysan/msmarco-tr_fine_tuning_dataset/tree/f03d83704e5ea276665384ca6d8bee3b19632c80)
* Size: 253,332 training samples
* Columns: <code>anchor</code> and <code>positive</code>
* Approximate statistics based on the first 1000 samples:
| | anchor | positive |
|:--------|:----------------------------------------------------------------------------------|:------------------------------------------------------------------------------------|
| type | string | string |
| details | <ul><li>min: 4 tokens</li><li>mean: 10.14 tokens</li><li>max: 30 tokens</li></ul> | <ul><li>min: 19 tokens</li><li>mean: 81.24 tokens</li><li>max: 512 tokens</li></ul> |
* Samples:
| anchor | positive |
|:-------------------------------------------------------|:----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|
| <code>Spagetti ve et sosu servisinde kaç kalori</code> | <code>Gıda Bilgisi. Makarna Yemekleri kategorisinde Et Soslu Spagetti ile 100 g / mL'ye göre toplam 90.0 kalori ve aşağıdaki beslenme gerçekleri vardır: 5.1 g protein, 15.2 g karbonhidrat ve 1.0 g yağ.</code> |
| <code>galveston okyanusu ne kadar derin</code> | <code>galveston çok sığ olduğu için mucky - Eğer kıyıdan 5 mil yürümek olsaydı, asla 10 veya 12 feet derinliğinden fazla olmazdı. Galveston Körfezi çok sığ, sadece 9 feet derinliğinde, bu yüzden körfezden ve derin okyanusa bir kez çıktığınızda, su o kadar çamurlu olmayacak.</code> |
| <code>amlodipin diyabete neden olabilir</code> | <code>Hipertansiyon tedavisi için Amlodipin tedavisine konduğunuzda referanslara göre, diyabetin yeni başlangıcını geliştirme olasılığınız %34 daha düşüktür. Hipertansiyon tedavisi için Amlodipin tedavisine konduğunuzda referanslara göre, diyabetin yeni başlangıcını geliştirme olasılığınız %34 daha düşüktür. Küçük düzenleme?</code> |
* Loss: [<code>MultipleNegativesRankingLoss</code>](https://sbert.net/docs/package_reference/sentence_transformer/losses.html#multiplenegativesrankingloss) with these parameters:
```json
{
"scale": 20.0,
"similarity_fct": "cos_sim"
}
```
</details>
<details><summary>fiqa-tr</summary>
#### fiqa-tr
* Dataset: [fiqa-tr](https://huggingface.co/datasets/selmanbaysan/fiqa-tr_fine_tuning_dataset) at [bbc9e91](https://huggingface.co/datasets/selmanbaysan/fiqa-tr_fine_tuning_dataset/tree/bbc9e91b5710d0ac4032b5c9e94066470f928c8c)
* Size: 14,166 training samples
* Columns: <code>anchor</code> and <code>positive</code>
* Approximate statistics based on the first 1000 samples:
| | anchor | positive |
|:--------|:----------------------------------------------------------------------------------|:------------------------------------------------------------------------------------|
| type | string | string |
| details | <ul><li>min: 5 tokens</li><li>mean: 18.43 tokens</li><li>max: 58 tokens</li></ul> | <ul><li>min: 9 tokens</li><li>mean: 200.63 tokens</li><li>max: 512 tokens</li></ul> |
* Samples:
| anchor | positive |
|:-----------------------------------------------------------------------------------------------------|:---------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|
| <code>Bir iş gezisinde ne tür masraflar iş masrafı olarak kabul edilir?</code> | <code>IRS'a ait ilgili rehberlik. Genel olarak söyleyebileceğim tek şey, işinizin giderlerinin düşebileceği yönündedir. Ancak bu, koşullara ve düşmek istediğiniz gider türüne bağlıdır. Seyahat İş seyahatinden dolayı evden uzakta olan vergi mükellefleri, ilişkili giderleri düşebilirler, bu da varış noktasına ulaşma maliyetini, konaklama ve yemek masraflarını ve diğer normal ve gerekli giderleri içerir. Mükellefler, görevlerinin onları evden önemli ölçüde daha uzun süre uzak tutması ve iş taleplerini karşılamak için uyku veya dinlenmeye ihtiyaç duymaları durumunda "evden uzakta" olarak kabul edilirler. Yemek ve yan masrafların gerçek maliyetleri düşürülebilir veya mükellef, standart yemek yardımı ve azaltılmış kayıt tutma gereklilikleri kullanabilir. Kullanılan yönteme bakılmaksızın, yemek giderleri genellikle daha önce belirtildiği gibi %50 ile sınırlıdır. Sadece gerçek konaklama masrafları gider olarak talep edilebilir ve belgeler için makbuzlar tutulmalıdır. Giderler makul ve uygun olmalıdı...</code> |
| <code>İş Gideri - Kaza Sırasında İş Gezisi Sırasında Uygulanan Araba Sigortası Teminat Tutarı</code> | <code>Genel bir kural olarak, mil ölçümü indirimi veya gerçek giderler indirimi arasında seçim yapmanız gerekir. Fikir, mil ölçümü indiriminin aracın kullanımının tüm maliyetlerini kapsamasıdır. Park ücretleri ve otoyol ücretleri gibi istisnalar, her iki yöntemin altında ayrı ayrı indirilebilir. Mil ölçümü indirimi talep ederseniz sigorta maliyetlerini açık bir şekilde indiremezsiniz. Ayrı olarak, muhtemelen aracınızın kazaya bağlı olarak hasar kaybı olarak bir teminat indirimi indiremeyeceksiniz. Öncelikle teminattan 100 dolar çıkarırsınız ve sonra onu vergi beyannamenizden ayarlanan brüt gelirinize (AGI) böleriz. Teminatınız AGI'nızın %10'undan fazla ise onu indirebilirsiniz. Not edin ki, 1500 dolar teminatı olan biri bile yıllık 14.000 doların üzerinde gelir elde ederse hiçbir şey indiremez. Çoğu insan için, sigorta teminatı gelire göre yeterince büyük değil, bu nedenle vergi indirimi için uygun değildir. Kaynak</code> |
| <code>Yeni bir çevrimiçi işletme başlatmak</code> | <code>Amerika Birleşik Devletleri'nin çoğu eyaleti, yukarıda belirtildiği gibi, aşağıdakine benzer kurallara sahiptir: Kayıt ücretleri ödemeniz neredeyse kesin. Düzenleme şeklinize bağlı olarak, işletmeniz için ayrı bir vergi beyannamesi doldurmanız gerekebilir veya gerekmeyebilir. (Vergi amaçları için tek bir işletme sahibiyseniz, kişisel Form 1040'ınızın Ek C'sini doldurursunuz.) Vergi ödeme durumunuz, net kazancınızın olup olmamasına bağlıdır. Bazı kayıpların da indirilebilir olabileceği mümkündür. (Dikkat edin, net kazancınız olmasa bile bir beyanname sunmanız gerekebilir - Beyanname sunmak ve vergi ödemek aynı şey değildir, çünkü beyannameniz hiçbir vergi borcu göstermeyebilir.) Ayrıca, eyalet düzeyinde, ne sattığınız ve nasıl sattığınıza bağlı olarak, gelir vergisi ötesinde ek ücretler veya vergiler ödemeniz gerekebilir. (Örneğin, satış vergisi veya franchise vergileri devreye girebilir.) Bu konuda kendi eyalet yasalarını kontrol etmeniz gerekir. Her zaman, durumunuza ve eyaletinize öz...</code> |
* Loss: [<code>MultipleNegativesRankingLoss</code>](https://sbert.net/docs/package_reference/sentence_transformer/losses.html#multiplenegativesrankingloss) with these parameters:
```json
{
"scale": 20.0,
"similarity_fct": "cos_sim"
}
```
</details>
<details><summary>scifact-tr</summary>
#### scifact-tr
* Dataset: [scifact-tr](https://huggingface.co/datasets/selmanbaysan/scifact-tr_fine_tuning_dataset) at [382de5b](https://huggingface.co/datasets/selmanbaysan/scifact-tr_fine_tuning_dataset/tree/382de5b316d8c8042a23f34179a73fadc13cb53d)
* Size: 919 training samples
* Columns: <code>anchor</code> and <code>positive</code>
* Approximate statistics based on the first 919 samples:
| | anchor | positive |
|:--------|:-----------------------------------------------------------------------------------|:-------------------------------------------------------------------------------------|
| type | string | string |
| details | <ul><li>min: 10 tokens</li><li>mean: 27.25 tokens</li><li>max: 72 tokens</li></ul> | <ul><li>min: 80 tokens</li><li>mean: 349.93 tokens</li><li>max: 512 tokens</li></ul> |
* Samples:
| anchor | positive |
|:---------------------------------------------------------------------------------------------------------|:---------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|
| <code>0 boyutlu biyomalzemeler indüktif özelliklere sahip değildir.</code> | <code>Nanoteknolojiler, kök hücreleri ölçmek, anlamak ve manipüle etmek için yararlı olabilecek yeni ortaya çıkan platformlardır. Örnekler arasında, kök hücre etiketleme ve in vivo izleme için manyetik nanopartiküller ve kuantum noktaları; hücre içi gen/oligonükleotit ve protein/peptit teslimatı için nanopartiküller, karbon nanotüpler ve polypleksler; ve kök hücre farklılaştırması ve nakli için mühendislik yapılmış nanometre ölçeği destekler yer alır. Bu inceleme, kök hücre izleme, farklılaştırma ve nakli için nanoteknolojilerin kullanımını inceler. Ayrıca, yararlılıkları ve sitotoksisiteyle ilgili olası endişeleri tartışırız.</code> |
| <code>Birleşik Krallık'ta 1 milyonun 5'inde anormal PrP pozitifliği vardır.</code> | <code><br>## Amaçlar<br>Bovin spongiform ensefalopati (BSE) salgınından sonra alt klinik prion enfeksiyonunun yaygınlığı hakkında mevcut tahminleri daha iyi anlamak ve daha geniş bir doğum kohortunun etkilenip etkilenmediğini görmek, ayrıca kan ve kan ürünleri yönetimi ve cerrahi aletlerin işlenmesiyle ilgili sonuçları daha iyi anlamak için arşivlenmiş apandisit örnekleri üzerine ek bir anket yapmak.<br><br>## Tasarım<br>Büyük ölçekli, kalıcı olarak bağlantısı kesilmiş ve anonimleştirilmiş arşivlenmiş apandisit örnekleri anketini tekrarlamak.<br><br>## Çalışma Alanı<br>Daha önceki anketin katılımının daha düşük olduğu bölgelerde ek hastaneler dahil olmak üzere, Birleşik Krallık'taki 41 hastanenin patoloji bölümlerinden arşivlenmiş apandisit örnekleri.<br><br>## Örnek<br>32.441 arşivlenmiş apandisit örneği, formalin ile sabitlenmiş ve parafinle gömülmüş ve anormal prion proteini (PrP) varlığı için test edilmiş.<br><br>## Sonuçlar<br>32.441 apandisit örneğinin 16'sı anormal PrP için pozitif çıktı, bu da genel bir yaygınlık oranı 493/m...</code> |
| <code>Kolon ve rektum kanseri hastalarının %1-1'i bölgesel veya uzak metastazlarla teşhis edilir.</code> | <code><br>Medikare'nin geri ödeme politikası 1998'de kolon kanseri riskini artıran hastalar için tarama kolon skopi kapsamı sağlayarak ve 2001'de tüm bireyler için tarama kolon skopi kapsamı genişleterek değiştirildi.<br><br>**Amaç:** Medikare geri ödeme politikasındaki değişikliklerin kolon skopi kullanımı veya erken evre kolon kanseri teşhisi artışı ile ilişkili olup olmadığını belirlemek.<br><br>**Tasarım, Ayar ve Katılımcılar:** 1992-2002 yılları arasında 67 yaş ve üstü, birincil tanısı kolon kanseri olan ve Surveillance, Epidemiology ve Sonuçları (SEER) Medikare bağlantılı veritabanındaki hastalar ile SEER alanlarında ikamet eden ancak kanser tanısı almayan Medikare yararlanıcıları.<br><br>**Ana Çıktı Ölçümleri:** Kolonoskopi ve sigmoidoskopi kullanımındaki eğilimler, kanser olmayan Medikare yararlanıcıları arasında çok değişkenli Poisson regresyonu ile değerlendirildi. Kanserli hastalarda, evre erken (evre I) ile tüm diğer evreler (II-IV) olarak sınıflandırıldı. Zaman, dönem 1 (taramaya kapsama yok, 1992-1...</code> |
* Loss: [<code>MultipleNegativesRankingLoss</code>](https://sbert.net/docs/package_reference/sentence_transformer/losses.html#multiplenegativesrankingloss) with these parameters:
```json
{
"scale": 20.0,
"similarity_fct": "cos_sim"
}
```
</details>
<details><summary>nfcorpus-tr</summary>
#### nfcorpus-tr
* Dataset: [nfcorpus-tr](https://huggingface.co/datasets/selmanbaysan/nfcorpus-tr_fine_tuning_dataset) at [22d1ef8](https://huggingface.co/datasets/selmanbaysan/nfcorpus-tr_fine_tuning_dataset/tree/22d1ef8b6a9f1c196d1977541a66ca8eff946f06)
* Size: 110,575 training samples
* Columns: <code>anchor</code> and <code>positive</code>
* Approximate statistics based on the first 1000 samples:
| | anchor | positive |
|:--------|:----------------------------------------------------------------------------------|:-------------------------------------------------------------------------------------|
| type | string | string |
| details | <ul><li>min: 9 tokens</li><li>mean: 15.99 tokens</li><li>max: 22 tokens</li></ul> | <ul><li>min: 29 tokens</li><li>mean: 368.77 tokens</li><li>max: 512 tokens</li></ul> |
* Samples:
| anchor | positive |
|:-------------------------------------------------------------|:---------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|
| <code>Memeli Kanser Hücreleri Kolesterolden Beslenir.</code> | <code>Düşük yoğunluklu lipoprotein (LDL) reseptörlerinin içeriği, birincil meme kanserlerinden alınan dokularda belirlenmiş ve bilinen prognostik öneme sahip değişkenlerle karşılaştırılmıştır. Dondurulmuş tümör örnekleri seçilmiş ve 72 hastanın dokuları (bunlardan 32'si ölmüş) incelenmiştir. LDL reseptör içeriği, hayatta kalma süresi ile ters orantılı bir korelasyon göstermiştir. Çok değişkenli istatistiksel bir yöntemle yapılan analiz, axiller metastazın varlığı, östrojen ve LDL reseptörleri içeriği, tümör çapı ve DNA deseni gibi faktörlerin, hastaların hayatta kalma süresi konusunda prognostik değer taşıdığını göstermiştir. Meme kanseri hastalarında hayatta kalma süresini tahmin etmek için geliştirilmiş yöntemler, bireysel hastalar için tedavi seçiminin belirlenmesinde faydalı olabilir.</code> |
| <code>Memeli Kanser Hücreleri Kolesterolden Beslenir.</code> | <code>ARKA PLAN: Memurun en sık teşhis edilen kanseri, Amerika Birleşik Devletleri'nde kadınlar arasında meme kanseri. Meme kanseri riski ve hayatta kalma ile ilgili diyet faktörlerinin değerlendirilmesi için kapsamlı araştırmalar tamamlandı; ancak klinik çıkarımlar içeren bir özet rapor gerekiyor. Malzemeler ve YÖNTEMLER: Bu inceleme, diyet ile meme kanseri oluşumu, tekrarı, hayatta kalma ve ölümcüllüğü arasındaki mevcut epidemiyolojik ve klinik deneme kanıtlarını özetlemektedir. İnceleme, meme kanseri alt tiplerinde risk değerlendirmesi yapan yeni epidemiyolojik çalışmaları da içermektedir ve aynı zamanda meme kanseri riskini değiştirmeyi amaçlayan önceki ve devam eden diyet müdahale denemelerinin özetini sunmaktadır. SONUÇLAR: Mevcut literatür, düşük yağ ve yüksek lifli diyetlerin meme kanseri karşısında zayıf koruyucu olabileceğini, toplam enerji alımının ve alkolün ise pozitif bir ilişki gösterdiğini öne sürmektedir. Lif, muhtemelen östrojen modülasyonu yoluyla koruyucu olabilirken, mey...</code> |
| <code>Memeli Kanser Hücreleri Kolesterolden Beslenir.</code> | <code>Fitoestrojenler, estrojenlerle yapısal olarak benzer ve estrojenik/antiestrojenik özellikleri taklit ederek meme kanseri riskini etkileyebilirler. Batılı toplumlarda, tam tahıllar ve muhtemelen soya gıdaları fitoestrojenlerin zengin kaynaklarıdır. Alman menopoz sonrası kadınlarda yapılan bir nüfus tabanlı vaka-kontrol çalışması, fitoestrojen bakımından zengin gıdalar ve diyet lignanlarla meme kanseri riski arasındaki ilişkiyi değerlendirmek için kullanıldı. Diyet verileri, 2.884 vaka ve 5.509 kontrol için geçerli bir gıda sıklığı anketini kullanarak toplandı, bu anket fitoestrojen bakımından zengin gıdalar hakkında ek sorular içeriyordu. İlişkiler, koşullu lojistik regresyon kullanılarak değerlendirildi. Tüm analizler, ilgili risk ve karıştırıcı faktörler için ayarlandı. Politomlu lojistik regresyon analizi, estrojen reseptörü (ER) durumuna göre ilişkileri değerlendirmek için yapıldı. Soya fasulyesi, güneş çiçek tohumu ve kabak tohumu tüketiminin yüksek ve düşük seviyeleri, tüketilmeme...</code> |
* Loss: [<code>MultipleNegativesRankingLoss</code>](https://sbert.net/docs/package_reference/sentence_transformer/losses.html#multiplenegativesrankingloss) with these parameters:
```json
{
"scale": 20.0,
"similarity_fct": "cos_sim"
}
```
</details>
<details><summary>multinli-tr</summary>
#### multinli-tr
* Dataset: [multinli-tr](https://huggingface.co/datasets/selmanbaysan/multinli_tr_fine_tuning_dataset) at [a700b72](https://huggingface.co/datasets/selmanbaysan/multinli_tr_fine_tuning_dataset/tree/a700b72da7056aa52ceb234d2e8a211d035dc2c7)
* Size: 392,702 training samples
* Columns: <code>premise</code>, <code>hypothesis</code>, and <code>label</code>
* Approximate statistics based on the first 1000 samples:
| | premise | hypothesis | label |
|:--------|:-----------------------------------------------------------------------------------|:----------------------------------------------------------------------------------|:------------------------------------------------|
| type | string | string | int |
| details | <ul><li>min: 4 tokens</li><li>mean: 27.63 tokens</li><li>max: 151 tokens</li></ul> | <ul><li>min: 3 tokens</li><li>mean: 15.01 tokens</li><li>max: 57 tokens</li></ul> | <ul><li>0: ~65.70%</li><li>1: ~34.30%</li></ul> |
* Samples:
| premise | hypothesis | label |
|:--------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|:-----------------------------------------------------------------------------------------|:---------------|
| <code>Kavramsal olarak krem kaymağının iki temel boyutu vardır - ürün ve coğrafya.</code> | <code>Ürün ve coğrafya krem kaymağını işe yarıyor.</code> | <code>0</code> |
| <code>Mevsim boyunca ve sanırım senin seviyendeyken onları bir sonraki seviyeye düşürürsün. Eğer ebeveyn takımını çağırmaya karar verirlerse Braves üçlü A'dan birini çağırmaya karar verirlerse çifte bir adam onun yerine geçmeye gider ve bekar bir adam gelir.</code> | <code>Eğer insanlar hatırlarsa, bir sonraki seviyeye düşersin.</code> | <code>1</code> |
| <code>Numaramızdan biri talimatlarınızı birazdan yerine getirecektir.</code> | <code>Ekibimin bir üyesi emirlerinizi büyük bir hassasiyetle yerine getirecektir.</code> | <code>1</code> |
* Loss: [<code>SoftmaxLoss</code>](https://sbert.net/docs/package_reference/sentence_transformer/losses.html#softmaxloss)
</details>
<details><summary>snli-tr</summary>
#### snli-tr
* Dataset: [snli-tr](https://huggingface.co/datasets/selmanbaysan/snli_tr_fine_tuning_dataset) at [63eb107](https://huggingface.co/datasets/selmanbaysan/snli_tr_fine_tuning_dataset/tree/63eb107dfdaf0b16cfd209db25705f27f2e5e2ca)
* Size: 550,152 training samples
* Columns: <code>premise</code>, <code>hypothesis</code>, and <code>label</code>
* Approximate statistics based on the first 1000 samples:
| | premise | hypothesis | label |
|:--------|:----------------------------------------------------------------------------------|:----------------------------------------------------------------------------------|:------------------------------------------------|
| type | string | string | int |
| details | <ul><li>min: 7 tokens</li><li>mean: 19.21 tokens</li><li>max: 56 tokens</li></ul> | <ul><li>min: 4 tokens</li><li>mean: 11.25 tokens</li><li>max: 39 tokens</li></ul> | <ul><li>0: ~66.60%</li><li>1: ~33.40%</li></ul> |
* Samples:
| premise | hypothesis | label |
|:----------------------------------------------------------------|:----------------------------------------------------------|:---------------|
| <code>Attaki bir kişi, bozuk bir uçağın üzerinden atlar.</code> | <code>Bir kişi atını yarışma için eğitiyor.</code> | <code>0</code> |
| <code>Attaki bir kişi, bozuk bir uçağın üzerinden atlar.</code> | <code>Bir kişi bir lokantada omlet sipariş ediyor.</code> | <code>0</code> |
| <code>Attaki bir kişi, bozuk bir uçağın üzerinden atlar.</code> | <code>Bir kişi açık havada, at üzerinde.</code> | <code>1</code> |
* Loss: [<code>SoftmaxLoss</code>](https://sbert.net/docs/package_reference/sentence_transformer/losses.html#softmaxloss)
</details>
<details><summary>stsb-tr</summary>
#### stsb-tr
* Dataset: [stsb-tr](https://huggingface.co/datasets/selmanbaysan/stsb-tr) at [3d2e87d](https://huggingface.co/datasets/selmanbaysan/stsb-tr/tree/3d2e87d2a94c9af130b87ab8ed8d0c5c2e92e2df)
* Size: 5,749 training samples
* Columns: <code>sentence1</code>, <code>sentence2</code>, and <code>score</code>
* Approximate statistics based on the first 1000 samples:
| | sentence1 | sentence2 | score |
|:--------|:----------------------------------------------------------------------------------|:----------------------------------------------------------------------------------|:---------------------------------------------------------------|
| type | string | string | float |
| details | <ul><li>min: 6 tokens</li><li>mean: 10.65 tokens</li><li>max: 26 tokens</li></ul> | <ul><li>min: 6 tokens</li><li>mean: 10.59 tokens</li><li>max: 26 tokens</li></ul> | <ul><li>min: 0.0</li><li>mean: 2.23</li><li>max: 5.0</li></ul> |
* Samples:
| sentence1 | sentence2 | score |
|:-------------------------------------------------------------------|:--------------------------------------------------------------------------------|:-----------------|
| <code>Bir uçak kalkıyor.</code> | <code>Bir hava uçağı kalkıyor.</code> | <code>5.0</code> |
| <code>Bir adam büyük bir flüt çalıyor.</code> | <code>Bir adam flüt çalıyor.</code> | <code>3.8</code> |
| <code>Bir adam pizzanın üzerine rendelenmiş peynir seriyor.</code> | <code>Bir adam pişmemiş bir pizzanın üzerine rendelenmiş peynir seriyor.</code> | <code>3.8</code> |
* Loss: [<code>CoSENTLoss</code>](https://sbert.net/docs/package_reference/sentence_transformer/losses.html#cosentloss) with these parameters:
```json
{
"scale": 20.0,
"similarity_fct": "pairwise_cos_sim"
}
```
</details>
<details><summary>wmt16</summary>
#### wmt16
* Dataset: [wmt16](https://huggingface.co/datasets/selmanbaysan/wmt16_en_tr_fine_tuning_dataset) at [9fc4e73](https://huggingface.co/datasets/selmanbaysan/wmt16_en_tr_fine_tuning_dataset/tree/9fc4e7334bdb195b396c41eed05b0dd447981ef3)
* Size: 205,756 training samples
* Columns: <code>anchor</code> and <code>positive</code>
* Approximate statistics based on the first 1000 samples:
| | anchor | positive |
|:--------|:-----------------------------------------------------------------------------------|:----------------------------------------------------------------------------------|
| type | string | string |
| details | <ul><li>min: 8 tokens</li><li>mean: 35.15 tokens</li><li>max: 128 tokens</li></ul> | <ul><li>min: 6 tokens</li><li>mean: 33.4 tokens</li><li>max: 123 tokens</li></ul> |
* Samples:
| anchor | positive |
|:------------------------------------------------------------------------------------------------|:---------------------------------------------------------------------------------------------------------|
| <code>Kosova'nın özelleştirme süreci büyüteç altında</code> | <code>Kosovo's privatisation process is under scrutiny</code> |
| <code>Kosova, tekrar eden şikayetler ışığında özelleştirme sürecini incelemeye alıyor.</code> | <code>Kosovo is taking a hard look at its privatisation process in light of recurring complaints.</code> |
| <code>Southeast European Times için Priştine'den Muhamet Brayşori'nin haberi -- 21/03/12</code> | <code>By Muhamet Brajshori for Southeast European Times in Pristina -- 21/03/12</code> |
* Loss: [<code>MultipleNegativesRankingLoss</code>](https://sbert.net/docs/package_reference/sentence_transformer/losses.html#multiplenegativesrankingloss) with these parameters:
```json
{
"scale": 20.0,
"similarity_fct": "cos_sim"
}
```
</details>
### Evaluation Datasets
<details><summary>msmarco-tr</summary>
#### msmarco-tr
* Dataset: [msmarco-tr](https://huggingface.co/datasets/selmanbaysan/msmarco-tr_fine_tuning_dataset) at [f03d837](https://huggingface.co/datasets/selmanbaysan/msmarco-tr_fine_tuning_dataset/tree/f03d83704e5ea276665384ca6d8bee3b19632c80)
* Size: 31,540 evaluation samples
* Columns: <code>anchor</code> and <code>positive</code>
* Approximate statistics based on the first 1000 samples:
| | anchor | positive |
|:--------|:----------------------------------------------------------------------------------|:------------------------------------------------------------------------------------|
| type | string | string |
| details | <ul><li>min: 4 tokens</li><li>mean: 10.21 tokens</li><li>max: 39 tokens</li></ul> | <ul><li>min: 13 tokens</li><li>mean: 82.37 tokens</li><li>max: 148 tokens</li></ul> |
* Samples:
| anchor | positive |
|:-------------------------------------------|:------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|
| <code>Brian Patrick Carroll kimdir?</code> | <code>Buckethead Biyografisi. Brian Patrick Carroll (13 Mayıs 1969 doğumlu), profesyonel olarak Buckethead olarak bilinen, birçok müzik türünde çalışmış Amerikalı gitarist ve çoklu enstrümantalist. 265 stüdyo albümü, dört özel sürüm ve bir EP yayınladı. Ayrıca diğer sanatçılar tarafından 50'den fazla albümde seslendirdi.</code> |
| <code>zolpidem bir benzodiazepin</code> | <code>Zolpidem (Ambien), imidazopiridin sınıfının bir benzodiazepin olmayan hipnotikidir. Bu ilaç, benzodiazepin omega-1 reseptörüne (seçici olmayan omega-1, 2 ve 3 reseptör alt tiplerine bağlanan diğer benzodiazepinlerin aksine) çok seçici bir şekilde bağlanır, klorür kanalının açılma sıklığını arttırır.</code> |
| <code>roti'de kalori</code> | <code>1 porsiyon Roti Akdeniz Izgara Tavuk Roti'de 257 kalori vardır. Kalori dağılımı: %47 yağ, %0 karbonhidrat, %53 protein.</code> |
* Loss: [<code>MultipleNegativesRankingLoss</code>](https://sbert.net/docs/package_reference/sentence_transformer/losses.html#multiplenegativesrankingloss) with these parameters:
```json
{
"scale": 20.0,
"similarity_fct": "cos_sim"
}
```
</details>
<details><summary>fiqa-tr</summary>
#### fiqa-tr
* Dataset: [fiqa-tr](https://huggingface.co/datasets/selmanbaysan/fiqa-tr_fine_tuning_dataset) at [bbc9e91](https://huggingface.co/datasets/selmanbaysan/fiqa-tr_fine_tuning_dataset/tree/bbc9e91b5710d0ac4032b5c9e94066470f928c8c)
* Size: 1,238 evaluation samples
* Columns: <code>anchor</code> and <code>positive</code>
* Approximate statistics based on the first 1000 samples:
| | anchor | positive |
|:--------|:----------------------------------------------------------------------------------|:------------------------------------------------------------------------------------|
| type | string | string |
| details | <ul><li>min: 4 tokens</li><li>mean: 19.99 tokens</li><li>max: 56 tokens</li></ul> | <ul><li>min: 7 tokens</li><li>mean: 225.48 tokens</li><li>max: 512 tokens</li></ul> |
* Samples:
| anchor | positive |
|:---------------------------------------------------------------------------------------------|:---------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|
| <code>Bir geliri olmayan işletme için işletme giderlerini talep etmek.</code> | <code>Evet, henüz herhangi bir gelir elde etmiyorsanız işletme indirimleri talep edebilirsiniz. Ancak öncelikle işletmeniz için hangi yapıyı tercih edeceğinize karar vermelisiniz. Ya bir Şirket Yapısı ya da Tek Sahiplik veya Ortaklık. Şirket Yapısı Eğer bir Şirket Yapısı (kurulumu daha pahalı olan) seçerseniz, indirimleri talep edebilirsiniz ancak geliriniz yok. Bu nedenle işletmeniz bir zarara uğrar ve bu zararı, işletmenizden elde ettiğiniz gelirin giderlerinizi aşana kadar devam ettirirsiniz. Bu zararlar şirketin içinde kalır ve gelecek gelir yıllarında kârlarınızı dengelemek için devralınabilir. Daha fazla bilgi için ATO - Şirket Vergi Zararları'na bakın. Tek Sahiplik veya Ortaklık Yapısı Eğer Tek Sahiplik veya Ortaklık olarak seçerseniz ve işletmeniz bir zarara uğrarsa, bu zararı diğer kaynaklardan elde ettiğiniz gelire karşı dengeleyip dengeleyemeyeceğinizi kontrol etmeniz gerekir. İşletmenizin diğer gelirinize karşı zararını dengelemek için aşağıdaki testlerden birini geçmeniz gerekir...</code> |
| <code>Bir işletme kontrol hesabından başka bir işletme kontrol hesabına para aktarma.</code> | <code>"Her iki işletme için ayrı dosyalar olmalıdır. Para transferi yapan işletme, QB dosyasında ""çeki yaz"" olmalıdır. Para alan işletme, QB dosyasında ""banka yatırımı"" yapmalıdır. (QB'de, ödemeyi ACH gibi başka bir yöntemle yaptığınızda bile, ""çeki yaz"" demeniz gerekir.) Hiçbir işletme, diğerinin banka hesaplarını açıkça temsil etmemelidir. Her iki tarafta da, ödemenin hangi başka hesaptan geldiği/gittiği konusunda sınıflandırmanız gerekecektir - Bunun doğru olup olmadığını bilmek için, parayı neden transfer ettiğinizi ve kitaplarınızı nasıl kurduğunuzu bilmeniz gerekir. Sanırım bu, burada uygun/mümkün olan konunun ötesindedir. Kişisel hesabınızdan işinize para aktarmak, muhtemelen ortaklık sermayesi demektir, eğer başka bir şey yoksa. Örneğin, S Corp'ta kendinize bir maaş ödemelisiniz. Eğer yanlışlıkla fazla öderseniz, o zaman kişisel hesabınızdan şirketi geri bir çek yazıp hatayı düzeltirsiniz. Bu ortaklık sermayesi değil, muhtemelen maaş ödemelerini takip eden başka bir hesaptaki b...</code> |
| <code>İş/yatırım için ayrı bir banka hesabınız var mı, ama "iş hesabı" değil mi?</code> | <code>"İş için ayrı bir kontrol hesabı açmak mantıklıdır. Gelir/giderlerinizi belgelemek daha basittir. Hesaba giren ve çıkan her doları açıklayabilirsiniz, bunlardan bazılarının işle alakasız olduğunu hatırlamanıza gerek kalmadan. Kredi birliği, ikinci bir kontrol hesabı açmama ve çeklerin üzerine istediğim herhangi bir ad koymama izin verdi. Bu, çeklerin üzerine adımın yazılması yerine daha iyi görünüyordu. Yatırımlar için ayrı bir kontrol hesabına ihtiyaç görmüyorum. Parayı, herhangi bir ücret olmayan ve hatta biraz faiz kazandırabilen ayrı bir tasarruf hesabında tutabilirsiniz. Ayda çok sayıda yatırım işlemi yapmadığınız sürece bu benim için işe yaradı. Bu şekilde IRA'ları ve 529 planlarını finanse ediyorum. Ayda 4-5 kez maaş alıyoruz, ancak her ay fonlara para gönderiyoruz. İşlem sayısı büyüdükçe bir iş hesabına ihtiyacınız olacak. Bankaya her seferinde onlarca çek yatırıyorsanız, banka sizi iş hesabına geçmeye yönlendirecektir."</code> |
* Loss: [<code>MultipleNegativesRankingLoss</code>](https://sbert.net/docs/package_reference/sentence_transformer/losses.html#multiplenegativesrankingloss) with these parameters:
```json
{
"scale": 20.0,
"similarity_fct": "cos_sim"
}
```
</details>
<details><summary>quora-tr</summary>
#### quora-tr
* Dataset: [quora-tr](https://huggingface.co/datasets/selmanbaysan/quora-tr_fine_tuning_dataset) at [6e1eee1](https://huggingface.co/datasets/selmanbaysan/quora-tr_fine_tuning_dataset/tree/6e1eee1e44db0f777eceb1f9b55293a9c2e25d76)
* Size: 7,626 evaluation samples
* Columns: <code>anchor</code> and <code>positive</code>
* Approximate statistics based on the first 1000 samples:
| | anchor | positive |
|:--------|:----------------------------------------------------------------------------------|:----------------------------------------------------------------------------------|
| type | string | string |
| details | <ul><li>min: 5 tokens</li><li>mean: 15.71 tokens</li><li>max: 52 tokens</li></ul> | <ul><li>min: 5 tokens</li><li>mean: 16.27 tokens</li><li>max: 46 tokens</li></ul> |
* Samples:
| anchor | positive |
|:---------------------------------------------------------------------------------------------------|:---------------------------------------------------------------------------------------------------|
| <code>Quora'yı bir moderatörün gözünden nasıl görürsünüz?</code> | <code>Quora web sitesi, Quora moderasyon üyelerine nasıl görünür?</code> |
| <code>Nasıl hayatımın yapmam gereken farklı şeyler arasında seçim yapmamayı reddedebilirim?</code> | <code>Hayatta birçok farklı şeyi takip etmek mümkün mü?</code> |
| <code>Ben Affleck Batman'de Christian Bale'den daha parlak mıydı?</code> | <code>Sizce, Batman performansında kim daha iyiydi: Christian Bale mi yoksa Ben Affleck mi?</code> |
* Loss: [<code>MultipleNegativesRankingLoss</code>](https://sbert.net/docs/package_reference/sentence_transformer/losses.html#multiplenegativesrankingloss) with these parameters:
```json
{
"scale": 20.0,
"similarity_fct": "cos_sim"
}
```
</details>
<details><summary>nfcorpus-tr</summary>
#### nfcorpus-tr
* Dataset: [nfcorpus-tr](https://huggingface.co/datasets/selmanbaysan/nfcorpus-tr_fine_tuning_dataset) at [22d1ef8](https://huggingface.co/datasets/selmanbaysan/nfcorpus-tr_fine_tuning_dataset/tree/22d1ef8b6a9f1c196d1977541a66ca8eff946f06)
* Size: 11,385 evaluation samples
* Columns: <code>anchor</code> and <code>positive</code>
* Approximate statistics based on the first 1000 samples:
| | anchor | positive |
|:--------|:----------------------------------------------------------------------------------|:-------------------------------------------------------------------------------------|
| type | string | string |
| details | <ul><li>min: 8 tokens</li><li>mean: 14.32 tokens</li><li>max: 20 tokens</li></ul> | <ul><li>min: 70 tokens</li><li>mean: 365.52 tokens</li><li>max: 512 tokens</li></ul> |
* Samples:
| anchor | positive |
|:----------------------------------------------------------------------|:---------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|
| <code>Derin Kızartılmış Gıdaların Kanser Yapabileceği Nedenler</code> | <code>Arka plan: Akrilamid, insan plasentasını geçen yaygın bir diyetik maruziyettir. Muhtemel insan kanserojen olarak sınıflandırılır ve farelerde gelişimsel toksisite gözlemlenmiştir. Amaçlar: Bu çalışmada, akrilamid ön doğum maruziyeti ile doğum sonuçlarının ilişkilerini inceledik. Yöntemler: Akrilamidin ve metaboliti glisidamidin hemoglobin (Hb) adductları, 2006-2010 yılları arasında Danimarka, İngiltere, Yunanistan, Norveç ve İspanya'da işe alınan 1.101 tek çocuklu hamile kadınların kordon kanında (hamileliğin son aylarında birikmiş maruziyeti yansıtan) ölçüldü. Anne diyetleri, gıda sıklığı anketleri aracılığıyla tahmin edildi. Sonuçlar: Hem akrilamid hem de glisidamid Hb adductları, doğum ağırlığı ve baş çevresi için istatistiksel olarak anlamlı bir azalma ile ilişkiliydi. En yüksek ve en düşük çeyrekte akrilamid Hb adduct seviyeleri arasındaki tahmin edilen doğum ağırlığı farkı, gestasyonel yaş ve ülke ayarlamalarından sonra –132 g (95% CI: –207, –56) idi; baş çevresi için karşılık ge...</code> |
| <code>Derin Kızartılmış Gıdaların Kanser Yapabileceği Nedenler</code> | <code>İnsanlar, patates kızartması ve diğer yiyecekler yoluyla akrilamid (AA) maruziyeti, potansiyel bir sağlık endişesi olarak kabul edilmiştir. Burada, pişirme sıcaklığı ve süresi gibi iki en etkili faktöre dayalı istatistiksel bir doğrusal olmayan regresyon modeli kullanarak, patates kızartmalarında AA konsantrasyonlarını tahmin ettik. Tahmin modeli için R(2) değeri 0.83, geliştirilmiş modelin önemli ve geçerli olduğunu göstermektedir. Bu çalışmada yapılan patates kızartması tüketimi anket verileri ve sekiz farklı kızartma sıcaklığı-zaman şeması, lezzetli ve görsel açıdan çekici patates kızartmaları üretebildiği için, Monte Carlo simülasyon sonuçları, AA konsantrasyonunun 168 ppb'den yüksek olduğu takdirde, Taichung Şehri'ndeki 13-18 yaş arası ergenlerin tahmin edilen kanser riski, sadece bu sınırlı yaşam süresi göz önüne alındığında, hedef aşılan ömür boyu kanser riski (ELCR) değerini aşacaktır. AA alımıyla ilişkili kanser riskini azaltmak için, patates kızartmalarındaki AA seviyelerinin...</code> |
| <code>Derin Kızartılmış Gıdaların Kanser Yapabileceği Nedenler</code> | <code>ARKA PLAN: Yaygın olarak tüketilen gıdalar, örneğin patates kızartması, patates cipsi veya tahıllar gibi ürünlerde nispeten yüksek akrilamid konsantrasyonları, insan sağlığı için potansiyel bir risk oluşturabilir.<br><br>HEDEF: Bu pilot çalışmanın amacı, kronik akrilamid içeren patates cipsi alımının oksidatif stres veya iltihapla olası bağlantısını araştırmaktı.<br><br>Tasarım: 14 sağlıklı gönüllü (ortalama yaş: 35; 8 kadın ve 6 günde 20 sigaradan fazla sigara içen) 4 hafta boyunca günde 160 gram akrilamid içeren 157 mikrogram (düzeltilmiş) akrilamid içeren patates cipsi aldı.<br><br>Sonuç: Çalışmanın tüm katılımlarında kan akrilamid-hemoglobin bağlarımında artış bulundu, ortalama 43.1 pmol/L(-1)/g(-1) hemoglobin (aralık: 27-76; P < 0.01) sigara içmeyenlerde ve 59.0 pmol/L(-1)/g(-1) hemoglobin (aralık: 43-132; P < 0.05) sigara içenlerde. Aynı zamanda, hem sigara içenlerde hem de sigara içmeyenlerde okside LDL, yüksek duyarlılık interleukin-6, yüksek duyarlılık C-reaktif protein ve gama-glutamiltransfer...</code> |
* Loss: [<code>MultipleNegativesRankingLoss</code>](https://sbert.net/docs/package_reference/sentence_transformer/losses.html#multiplenegativesrankingloss) with these parameters:
```json
{
"scale": 20.0,
"similarity_fct": "cos_sim"
}
```
</details>
<details><summary>snli-tr</summary>
#### snli-tr
* Dataset: [snli-tr](https://huggingface.co/datasets/selmanbaysan/snli_tr_fine_tuning_dataset) at [63eb107](https://huggingface.co/datasets/selmanbaysan/snli_tr_fine_tuning_dataset/tree/63eb107dfdaf0b16cfd209db25705f27f2e5e2ca)
* Size: 10,000 evaluation samples
* Columns: <code>premise</code>, <code>hypothesis</code>, and <code>label</code>
* Approximate statistics based on the first 1000 samples:
| | premise | hypothesis | label |
|:--------|:----------------------------------------------------------------------------------|:----------------------------------------------------------------------------------|:------------------------------------------------|
| type | string | string | int |
| details | <ul><li>min: 7 tokens</li><li>mean: 20.13 tokens</li><li>max: 56 tokens</li></ul> | <ul><li>min: 5 tokens</li><li>mean: 11.04 tokens</li><li>max: 32 tokens</li></ul> | <ul><li>0: ~67.50%</li><li>1: ~32.50%</li></ul> |
* Samples:
| premise | hypothesis | label |
|:----------------------------------------------------------------------|:-----------------------------------------------------------------------------------------------------------------|:---------------|
| <code>Paketlere gitmek için tutunurken iki kadın kucaklaşıyor.</code> | <code>Kız kardeşler sadece öğle yemeği yedikten sonra paketleri gitmek için tutarken elveda sarılıyorlar.</code> | <code>0</code> |
| <code>Paketlere gitmek için tutunurken iki kadın kucaklaşıyor.</code> | <code>İki kadın paket tutuyor.</code> | <code>1</code> |
| <code>Paketlere gitmek için tutunurken iki kadın kucaklaşıyor.</code> | <code>Adamlar bir şarküterinin dışında kavga ediyorlar.</code> | <code>0</code> |
* Loss: [<code>SoftmaxLoss</code>](https://sbert.net/docs/package_reference/sentence_transformer/losses.html#softmaxloss)
</details>
<details><summary>xnli-tr</summary>
#### xnli-tr
* Dataset: [xnli-tr](https://huggingface.co/datasets/selmanbaysan/xnli_tr_fine_tuning_dataset) at [3a66bc8](https://huggingface.co/datasets/selmanbaysan/xnli_tr_fine_tuning_dataset/tree/3a66bc878d3d027177da71f47e4d8dee21cafe63)
* Size: 2,490 evaluation samples
* Columns: <code>premise</code>, <code>hypothesis</code>, and <code>label</code>
* Approximate statistics based on the first 1000 samples:
| | premise | hypothesis | label |
|:--------|:----------------------------------------------------------------------------------|:----------------------------------------------------------------------------------|:------------------------------------------------|
| type | string | string | int |
| details | <ul><li>min: 7 tokens</li><li>mean: 23.36 tokens</li><li>max: 69 tokens</li></ul> | <ul><li>min: 6 tokens</li><li>mean: 13.46 tokens</li><li>max: 29 tokens</li></ul> | <ul><li>0: ~66.70%</li><li>1: ~33.30%</li></ul> |
* Samples:
| premise | hypothesis | label |
|:------------------------------------|:---------------------------------------------------------------|:---------------|
| <code>Ve Anne, evdeyim dedi.</code> | <code>Okul servisi onu bırakır bırakmaz annesini aradı.</code> | <code>0</code> |
| <code>Ve Anne, evdeyim dedi.</code> | <code>Bir kelime söylemedi.</code> | <code>0</code> |
| <code>Ve Anne, evdeyim dedi.</code> | <code>Annesine eve gittiğini söyledi.</code> | <code>1</code> |
* Loss: [<code>SoftmaxLoss</code>](https://sbert.net/docs/package_reference/sentence_transformer/losses.html#softmaxloss)
</details>
<details><summary>stsb-tr</summary>
#### stsb-tr
* Dataset: [stsb-tr](https://huggingface.co/datasets/selmanbaysan/stsb-tr) at [3d2e87d](https://huggingface.co/datasets/selmanbaysan/stsb-tr/tree/3d2e87d2a94c9af130b87ab8ed8d0c5c2e92e2df)
* Size: 1,500 evaluation samples
* Columns: <code>sentence1</code>, <code>sentence2</code>, and <code>score</code>
* Approximate statistics based on the first 1000 samples:
| | sentence1 | sentence2 | score |
|:--------|:----------------------------------------------------------------------------------|:----------------------------------------------------------------------------------|:--------------------------------------------------------------|
| type | string | string | float |
| details | <ul><li>min: 5 tokens</li><li>mean: 16.17 tokens</li><li>max: 49 tokens</li></ul> | <ul><li>min: 5 tokens</li><li>mean: 16.12 tokens</li><li>max: 49 tokens</li></ul> | <ul><li>min: 0.0</li><li>mean: 2.1</li><li>max: 5.0</li></ul> |
* Samples:
| sentence1 | sentence2 | score |
|:----------------------------------------------|:-----------------------------------------------|:------------------|
| <code>Kasklı bir adam dans ediyor.</code> | <code>Baret giyen bir adam dans ediyor.</code> | <code>5.0</code> |
| <code>Küçük bir çocuk ata biniyor.</code> | <code>Bir çocuk ata biniyor.</code> | <code>4.75</code> |
| <code>Bir adam fareyi yılana besliyor.</code> | <code>Adam yılana fare besliyor.</code> | <code>5.0</code> |
* Loss: [<code>CoSENTLoss</code>](https://sbert.net/docs/package_reference/sentence_transformer/losses.html#cosentloss) with these parameters:
```json
{
"scale": 20.0,
"similarity_fct": "pairwise_cos_sim"
}
```
</details>
<details><summary>wmt16</summary>
#### wmt16
* Dataset: [wmt16](https://huggingface.co/datasets/selmanbaysan/wmt16_en_tr_fine_tuning_dataset) at [9fc4e73](https://huggingface.co/datasets/selmanbaysan/wmt16_en_tr_fine_tuning_dataset/tree/9fc4e7334bdb195b396c41eed05b0dd447981ef3)
* Size: 1,001 evaluation samples
* Columns: <code>anchor</code> and <code>positive</code>
* Approximate statistics based on the first 1000 samples:
| | anchor | positive |
|:--------|:-----------------------------------------------------------------------------------|:-----------------------------------------------------------------------------------|
| type | string | string |
| details | <ul><li>min: 4 tokens</li><li>mean: 27.13 tokens</li><li>max: 166 tokens</li></ul> | <ul><li>min: 4 tokens</li><li>mean: 28.53 tokens</li><li>max: 170 tokens</li></ul> |
* Samples:
| anchor | positive |
|:----------------------------------------------------------------------------------------------------------------------------|:------------------------------------------------------------------------------------------------------------------------------|
| <code>Norveç'in rakfisk'i: Dünyanın en kokulu balığı bu mu?</code> | <code>Norway's rakfisk: Is this the world's smelliest fish?</code> |
| <code>Norveç'in beş milyon insanı en yüksek yaşam standartlarının tadını çıkarıyor, sadece Avrupa'da değil, dünyada.</code> | <code>Norway's five million people enjoy one of the highest standards of living, not just in Europe, but in the world.</code> |
| <code>Ülkenin başarısının sırrı aşırı kokulu bazı balıklara olan yerel iştahla bağlantılı olabilir mi?</code> | <code>Could the secret of the country's success be connected to the local appetite for some exceedingly smelly fish?</code> |
* Loss: [<code>MultipleNegativesRankingLoss</code>](https://sbert.net/docs/package_reference/sentence_transformer/losses.html#multiplenegativesrankingloss) with these parameters:
```json
{
"scale": 20.0,
"similarity_fct": "cos_sim"
}
```
</details>
### Training Hyperparameters
#### Non-Default Hyperparameters
- `eval_strategy`: steps
- `per_device_train_batch_size`: 64
- `per_device_eval_batch_size`: 64
- `learning_rate`: 2e-05
- `num_train_epochs`: 1
- `warmup_ratio`: 0.1
- `fp16`: True
- `batch_sampler`: no_duplicates
#### All Hyperparameters
<details><summary>Click to expand</summary>
- `overwrite_output_dir`: False
- `do_predict`: False
- `eval_strategy`: steps
- `prediction_loss_only`: True
- `per_device_train_batch_size`: 64
- `per_device_eval_batch_size`: 64
- `per_gpu_train_batch_size`: None
- `per_gpu_eval_batch_size`: None
- `gradient_accumulation_steps`: 1
- `eval_accumulation_steps`: None
- `torch_empty_cache_steps`: None
- `learning_rate`: 2e-05
- `weight_decay`: 0.0
- `adam_beta1`: 0.9
- `adam_beta2`: 0.999
- `adam_epsilon`: 1e-08
- `max_grad_norm`: 1.0
- `num_train_epochs`: 1
- `max_steps`: -1
- `lr_scheduler_type`: linear
- `lr_scheduler_kwargs`: {}
- `warmup_ratio`: 0.1
- `warmup_steps`: 0
- `log_level`: passive
- `log_level_replica`: warning
- `log_on_each_node`: True
- `logging_nan_inf_filter`: True
- `save_safetensors`: True
- `save_on_each_node`: False
- `save_only_model`: False
- `restore_callback_states_from_checkpoint`: False
- `no_cuda`: False
- `use_cpu`: False
- `use_mps_device`: False
- `seed`: 42
- `data_seed`: None
- `jit_mode_eval`: False
- `use_ipex`: False
- `bf16`: False
- `fp16`: True
- `fp16_opt_level`: O1
- `half_precision_backend`: auto
- `bf16_full_eval`: False
- `fp16_full_eval`: False
- `tf32`: None
- `local_rank`: 0
- `ddp_backend`: None
- `tpu_num_cores`: None
- `tpu_metrics_debug`: False
- `debug`: []
- `dataloader_drop_last`: False
- `dataloader_num_workers`: 0
- `dataloader_prefetch_factor`: None
- `past_index`: -1
- `disable_tqdm`: False
- `remove_unused_columns`: True
- `label_names`: None
- `load_best_model_at_end`: False
- `ignore_data_skip`: False
- `fsdp`: []
- `fsdp_min_num_params`: 0
- `fsdp_config`: {'min_num_params': 0, 'xla': False, 'xla_fsdp_v2': False, 'xla_fsdp_grad_ckpt': False}
- `fsdp_transformer_layer_cls_to_wrap`: None
- `accelerator_config`: {'split_batches': False, 'dispatch_batches': None, 'even_batches': True, 'use_seedable_sampler': True, 'non_blocking': False, 'gradient_accumulation_kwargs': None}
- `deepspeed`: None
- `label_smoothing_factor`: 0.0
- `optim`: adamw_torch
- `optim_args`: None
- `adafactor`: False
- `group_by_length`: False
- `length_column_name`: length
- `ddp_find_unused_parameters`: None
- `ddp_bucket_cap_mb`: None
- `ddp_broadcast_buffers`: False
- `dataloader_pin_memory`: True
- `dataloader_persistent_workers`: False
- `skip_memory_metrics`: True
- `use_legacy_prediction_loop`: False
- `push_to_hub`: False
- `resume_from_checkpoint`: None
- `hub_model_id`: None
- `hub_strategy`: every_save
- `hub_private_repo`: None
- `hub_always_push`: False
- `gradient_checkpointing`: False
- `gradient_checkpointing_kwargs`: None
- `include_inputs_for_metrics`: False
- `include_for_metrics`: []
- `eval_do_concat_batches`: True
- `fp16_backend`: auto
- `push_to_hub_model_id`: None
- `push_to_hub_organization`: None
- `mp_parameters`:
- `auto_find_batch_size`: False
- `full_determinism`: False
- `torchdynamo`: None
- `ray_scope`: last
- `ddp_timeout`: 1800
- `torch_compile`: False
- `torch_compile_backend`: None
- `torch_compile_mode`: None
- `dispatch_batches`: None
- `split_batches`: None
- `include_tokens_per_second`: False
- `include_num_input_tokens_seen`: False
- `neftune_noise_alpha`: None
- `optim_target_modules`: None
- `batch_eval_metrics`: False
- `eval_on_start`: False
- `use_liger_kernel`: False
- `eval_use_gather_object`: False
- `average_tokens_across_devices`: False
- `prompts`: None
- `batch_sampler`: no_duplicates
- `multi_dataset_batch_sampler`: proportional
</details>
### Training Logs
| Epoch | Step | Training Loss | msmarco-tr loss | fiqa-tr loss | quora-tr loss | nfcorpus-tr loss | snli-tr loss | xnli-tr loss | stsb-tr loss | wmt16 loss | stsb-tr_spearman_cosine | snli-tr_cosine_ap | xnli-tr_cosine_ap | wmt16_cosine_ap | msmarco-tr_cosine_ap | fiqa-tr_cosine_ap | quora-tr_cosine_ap | nfcorpus-tr_cosine_ap |
|:------:|:-----:|:-------------:|:---------------:|:------------:|:-------------:|:----------------:|:------------:|:------------:|:------------:|:----------:|:-----------------------:|:-----------------:|:-----------------:|:---------------:|:--------------------:|:-----------------:|:------------------:|:---------------------:|
| 0.1878 | 4500 | 0.7559 | 0.0938 | 1.5613 | 0.0845 | 1.0106 | 0.6384 | 0.6927 | 24.7603 | 0.5252 | 0.3355 | 0.3743 | 0.3901 | 1.0 | 1.0 | 1.0 | 1.0 | 1.0 |
| 0.2087 | 5000 | 0.6852 | 0.0903 | 1.4583 | 0.0977 | 0.9920 | 0.5782 | 0.6399 | 24.3188 | 0.3766 | 0.3545 | 0.3548 | 0.3809 | 1.0 | 1.0 | 1.0 | 1.0 | 1.0 |
| 0.2295 | 5500 | 0.7838 | 0.0882 | 1.4049 | 0.0718 | 0.9827 | 0.5472 | 0.6138 | 25.2106 | 0.2666 | 0.3873 | 0.3514 | 0.4109 | 1.0 | 1.0 | 1.0 | 1.0 | 1.0 |
| 0.2504 | 6000 | 0.8035 | 0.0810 | 1.3115 | 0.0586 | 0.9921 | 0.5258 | 0.6006 | 23.5971 | 0.1443 | 0.4102 | 0.3436 | 0.4011 | 1.0 | 1.0 | 1.0 | 1.0 | 1.0 |
| 0.2713 | 6500 | 0.7059 | 0.0802 | 1.4145 | 0.0571 | 0.9722 | 0.5137 | 0.5863 | 19.5701 | 0.1807 | 0.3710 | 0.3575 | 0.4158 | 1.0 | 1.0 | 1.0 | 1.0 | 1.0 |
| 0.2921 | 7000 | 0.6967 | 0.0819 | 1.3653 | 0.0532 | 0.9817 | 0.5092 | 0.5716 | 24.2876 | 0.1265 | 0.4361 | 0.3572 | 0.4299 | 1.0 | 1.0 | 1.0 | 1.0 | 1.0 |
| 0.3130 | 7500 | 0.7115 | 0.0770 | 1.3815 | 0.0600 | 0.9769 | 0.4905 | 0.5668 | 23.9790 | 0.1346 | 0.4294 | 0.3583 | 0.4162 | 1.0 | 1.0000 | 1.0 | 1.0 | 1.0 |
| 0.3339 | 8000 | 0.6468 | 0.0739 | 1.3525 | 0.0517 | 0.9592 | 0.4828 | 0.5696 | 23.9128 | 0.0909 | 0.4471 | 0.3695 | 0.4370 | 1.0 | 1.0 | 1.0 | 1.0 | 1.0 |
| 0.3547 | 8500 | 0.6613 | 0.0723 | 1.2422 | 0.0425 | 0.9730 | 0.4802 | 0.5631 | 21.7039 | 0.0774 | 0.4626 | 0.3373 | 0.4252 | 1.0 | 1.0 | 1.0 | 1.0 | 1.0 |
| 0.3756 | 9000 | 0.738 | 0.0703 | 1.2210 | 0.0413 | 0.9541 | 0.4756 | 0.5497 | 23.5040 | 0.0924 | 0.4571 | 0.3798 | 0.4541 | 1.0 | 1.0 | 1.0 | 1.0 | 1.0 |
| 0.3965 | 9500 | 0.7458 | 0.0692 | 1.2521 | 0.0463 | 0.9634 | 0.4693 | 0.5498 | 20.3103 | 0.0665 | 0.4651 | 0.3501 | 0.4437 | 1.0 | 1.0 | 1.0 | 1.0 | 1.0 |
| 0.4173 | 10000 | 0.691 | 0.0736 | 1.3436 | 0.0755 | 0.9611 | 0.4658 | 0.5432 | 19.7117 | 0.0871 | 0.4499 | 0.3756 | 0.4696 | 1.0 | 1.0 | 1.0 | 1.0 | 1.0 |
| 0.4382 | 10500 | 0.6985 | 0.0669 | 1.2387 | 0.0525 | 0.9617 | 0.4629 | 0.5370 | 21.6109 | 0.0659 | 0.4825 | 0.3871 | 0.4840 | 1.0 | 1.0 | 1.0 | 1.0 | 1.0 |
| 0.4591 | 11000 | 0.5911 | 0.0701 | 1.2677 | 0.0531 | 0.9522 | 0.4604 | 0.5300 | 20.5695 | 0.0521 | 0.5059 | 0.3595 | 0.5041 | 1.0 | 1.0 | 1.0 | 1.0 | 1.0 |
| 0.4799 | 11500 | 0.6893 | 0.0665 | 1.2337 | 0.0531 | 0.9549 | 0.4561 | 0.5293 | 22.3371 | 0.0664 | 0.5279 | 0.3661 | 0.4939 | 1.0 | 1.0 | 1.0 | 1.0 | 1.0 |
| 0.5008 | 12000 | 0.5208 | 0.0657 | 1.2501 | 0.0513 | 0.9624 | 0.4525 | 0.5191 | 21.5214 | 0.0657 | 0.5618 | 0.4009 | 0.5131 | 1.0 | 1.0 | 1.0 | 1.0 | 1.0 |
| 0.5217 | 12500 | 0.7197 | 0.0628 | 1.2080 | 0.0487 | 0.9676 | 0.4478 | 0.5272 | 20.1570 | 0.0511 | 0.5982 | 0.4184 | 0.5514 | 1.0 | 1.0 | 1.0 | 1.0 | 1.0 |
| 0.5425 | 13000 | 0.5923 | 0.0628 | 1.2351 | 0.0543 | 0.9701 | 0.4446 | 0.5203 | 19.9625 | 0.0601 | 0.6082 | 0.4238 | 0.5492 | 1.0 | 1.0 | 1.0 | 1.0 | 1.0 |
| 0.5634 | 13500 | 0.6053 | 0.0629 | 1.1899 | 0.0523 | 0.9685 | 0.4412 | 0.5101 | 19.8682 | 0.0661 | 0.6270 | 0.4750 | 0.5681 | 1.0 | 1.0 | 1.0 | 1.0 | 1.0 |
| 0.5843 | 14000 | 0.6314 | 0.0623 | 1.1770 | 0.0514 | 0.9667 | 0.4365 | 0.5121 | 20.7802 | 0.0499 | 0.6225 | 0.4370 | 0.5591 | 1.0 | 1.0 | 1.0 | 1.0 | 1.0 |
| 0.6052 | 14500 | 0.6209 | 0.0615 | 1.1870 | 0.0521 | 0.9592 | 0.4342 | 0.5139 | 21.3281 | 0.0618 | 0.6129 | 0.4513 | 0.5464 | 1.0 | 1.0 | 1.0 | 1.0 | 1.0 |
| 0.6260 | 15000 | 0.5404 | 0.0613 | 1.1630 | 0.0499 | 0.9661 | 0.4310 | 0.5021 | 18.1145 | 0.0441 | 0.6747 | 0.4864 | 0.5922 | 1.0 | 1.0 | 1.0 | 1.0 | 1.0 |
| 0.6469 | 15500 | 0.6405 | 0.0596 | 1.1513 | 0.0520 | 0.9650 | 0.4276 | 0.5057 | 20.5086 | 0.0472 | 0.6334 | 0.4600 | 0.5804 | 1.0 | 1.0 | 1.0 | 1.0 | 1.0 |
| 0.6678 | 16000 | 0.6734 | 0.0597 | 1.1624 | 0.0522 | 0.9636 | 0.4250 | 0.5056 | 19.9940 | 0.0422 | 0.6466 | 0.4548 | 0.5690 | 1.0 | 1.0 | 1.0 | 1.0 | 1.0 |
| 0.6886 | 16500 | 0.5867 | 0.0593 | 1.1680 | 0.0513 | 0.9622 | 0.4246 | 0.5042 | 21.0582 | 0.0622 | 0.6329 | 0.4467 | 0.5698 | 1.0 | 1.0 | 1.0 | 1.0 | 1.0 |
| 0.7095 | 17000 | 0.6434 | 0.0606 | 1.1629 | 0.0586 | 0.9667 | 0.4204 | 0.4955 | 19.9183 | 0.0789 | 0.6496 | 0.4783 | 0.5643 | 1.0 | 1.0 | 1.0 | 1.0 | 1.0 |
| 0.7304 | 17500 | 0.6425 | 0.0578 | 1.1387 | 0.0473 | 0.9755 | 0.4185 | 0.4966 | 19.3880 | 0.0402 | 0.6611 | 0.4730 | 0.5834 | 1.0 | 1.0 | 1.0 | 1.0 | 1.0 |
| 0.7512 | 18000 | 0.5609 | 0.0589 | 1.1171 | 0.0484 | 0.9688 | 0.4172 | 0.4914 | 19.8656 | 0.0437 | 0.6602 | 0.4861 | 0.5883 | 1.0 | 1.0 | 1.0 | 1.0 | 1.0 |
| 0.7721 | 18500 | 0.5594 | 0.0586 | 1.1213 | 0.0458 | 0.9614 | 0.4158 | 0.4950 | 20.1717 | 0.0412 | 0.6591 | 0.4735 | 0.5812 | 1.0 | 1.0 | 1.0 | 1.0 | 1.0 |
| 0.7930 | 19000 | 0.5375 | 0.0595 | 1.1543 | 0.0587 | 0.9612 | 0.4137 | 0.4884 | 20.4155 | 0.0449 | 0.6615 | 0.4754 | 0.5844 | 1.0 | 1.0 | 1.0 | 1.0 | 1.0 |
| 0.8138 | 19500 | 0.5821 | 0.0589 | 1.1603 | 0.0583 | 0.9648 | 0.4106 | 0.4902 | 19.1492 | 0.0535 | 0.6755 | 0.5019 | 0.5978 | 1.0 | 1.0 | 1.0 | 1.0 | 1.0 |
| 0.8347 | 20000 | 0.6034 | 0.0572 | 1.1389 | 0.0526 | 0.9620 | 0.4110 | 0.4915 | 19.6910 | 0.0500 | 0.6726 | 0.4700 | 0.5923 | 1.0 | 1.0 | 1.0 | 1.0 | 1.0 |
| 0.8556 | 20500 | 0.5833 | 0.0569 | 1.1322 | 0.0509 | 0.9615 | 0.4091 | 0.4906 | 19.7347 | 0.0522 | 0.6732 | 0.4913 | 0.5966 | 1.0 | 1.0 | 1.0 | 1.0 | 1.0 |
| 0.8764 | 21000 | 0.5126 | 0.0560 | 1.1129 | 0.0484 | 0.9629 | 0.4067 | 0.4875 | 18.9511 | 0.0412 | 0.6770 | 0.4971 | 0.5930 | 1.0 | 1.0000 | 1.0 | 1.0 | 1.0 |
| 0.8973 | 21500 | 0.5547 | 0.0567 | 1.1284 | 0.0504 | 0.9614 | 0.4065 | 0.4856 | 19.9320 | 0.0436 | 0.6640 | 0.5006 | 0.5883 | 1.0 | 1.0000 | 1.0 | 1.0 | 1.0 |
| 0.9182 | 22000 | 0.5406 | 0.0559 | 1.1166 | 0.0483 | 0.9618 | 0.4049 | 0.4894 | 19.4088 | 0.0380 | 0.6803 | 0.4937 | 0.5960 | 1.0 | 1.0 | 1.0 | 1.0 | 1.0 |
| 0.9390 | 22500 | 0.5946 | 0.0558 | 1.1126 | 0.0490 | 0.9601 | 0.4051 | 0.4874 | 19.1903 | 0.0397 | 0.6813 | 0.4833 | 0.5972 | 1.0 | 1.0 | 1.0 | 1.0 | 1.0 |
| 0.9599 | 23000 | 0.72 | 0.0561 | 1.1213 | 0.0495 | 0.9604 | 0.4049 | 0.4877 | 19.4929 | 0.0429 | 0.6760 | 0.4850 | 0.5932 | 1.0 | 1.0 | 1.0 | 1.0 | 1.0 |
| 0.9808 | 23500 | 0.6182 | 0.0558 | 1.1194 | 0.0505 | 0.9608 | 0.4045 | 0.4854 | 19.3272 | 0.0424 | 0.6783 | 0.4873 | 0.5938 | 1.0 | 1.0 | 1.0 | 1.0 | 1.0 |
### Framework Versions
- Python: 3.11.11
- Sentence Transformers: 3.4.1
- Transformers: 4.49.0
- PyTorch: 2.6.0+cu124
- Accelerate: 1.5.2
- Datasets: 3.4.1
- Tokenizers: 0.21.1
## Citation
### BibTeX
#### Sentence Transformers and SoftmaxLoss
```bibtex
@inproceedings{reimers-2019-sentence-bert,
title = "Sentence-BERT: Sentence Embeddings using Siamese BERT-Networks",
author = "Reimers, Nils and Gurevych, Iryna",
booktitle = "Proceedings of the 2019 Conference on Empirical Methods in Natural Language Processing",
month = "11",
year = "2019",
publisher = "Association for Computational Linguistics",
url = "https://arxiv.org/abs/1908.10084",
}
```
#### MultipleNegativesRankingLoss
```bibtex
@misc{henderson2017efficient,
title={Efficient Natural Language Response Suggestion for Smart Reply},
author={Matthew Henderson and Rami Al-Rfou and Brian Strope and Yun-hsuan Sung and Laszlo Lukacs and Ruiqi Guo and Sanjiv Kumar and Balint Miklos and Ray Kurzweil},
year={2017},
eprint={1705.00652},
archivePrefix={arXiv},
primaryClass={cs.CL}
}
```
#### CoSENTLoss
```bibtex
@online{kexuefm-8847,
title={CoSENT: A more efficient sentence vector scheme than Sentence-BERT},
author={Su Jianlin},
year={2022},
month={Jan},
url={https://kexue.fm/archives/8847},
}
```
<!--
## Glossary
*Clearly define terms in order to be accessible across audiences.*
-->
<!--
## Model Card Authors
*Lists the people who create the model card, providing recognition and accountability for the detailed work that goes into its construction.*
-->
<!--
## Model Card Contact
*Provides a way for people who have updates to the Model Card, suggestions, or questions, to contact the Model Card authors.*
--> |