← Voltar para o catálogo
Ajuste fino e inferência de modelos transformer da Hugging Face para classificação de intenção.
Ver no GitHub ↗
Licença: MIT
Como adicionar
/plugin marketplace add a5c-ai/babysitter
O comando exato pode variar conforme o repositório. Confira o README no GitHub.
Para o autor da skill
Cole no README do seu repo
Mostra que sua skill está catalogada na Skillteca, gera backlink e tráfego rastreável.
[](https://www.skillteca.com.br/skills/huggingface-classifier)
利用AI大模型，一键生成高清短视频 Generate short videos with one click using AI LLM.
Automação
por harry0703
Creates an SVG weather card showing the current temperature for Dubai. Writes the SVG to orchestration-workflow/weather.svg and updates orchestration-workflow/output.md.
Automação
#ai
por shanraisshan
Automate Asana tasks via Rube MCP (Composio): tasks, projects, sections, teams, workspaces. Always search tools first for current schemas.
Automação
#git
#github
por sickn33
Integrate Stripe, PayPal, and payment processors. Handles checkout flows, subscriptions, webhooks, and PCI compliance. Use PROACTIVELY when implementing payments, billing, or subscription features.
Automação
#git
#github
por sickn33
Alerta por categoria
1 email curto, só com as skills novas de Automação. 4 minutos de leitura, sem spam, cancela com 1 clique.
Você confirma o email no primeiro envio. Sem spam. Cancela com 1 clique.
Ler descrição completaRecolher descrição
HuggingFace Classifier Skill
Capabilities
- Fine-tune transformer models for classification
- Configure training pipelines with Trainer API
- Implement inference with optimizations
- Design label schemas and mappings
- Set up model evaluation and metrics
- Deploy models with HF Inference API
Target Processes
- intent-classification-system
- entity-extraction-slot-filling
Implementation Details
Model Types
- BERT-based: bert-base-uncased, distilbert
- RoBERTa-based: roberta-base, xlm-roberta
- DeBERTa: deberta-v3-base
- Domain-specific: FinBERT, BioBERT
Training Configuration
- Dataset preparation
- Tokenization settings
- Training arguments
- Evaluation metrics
- Early stopping
Configuration Options
- Model selection
- Number of labels
- Training hyperparameters
- Batch sizes
- Learning rate schedules
Best Practices
- Use appropriate base model
- Proper train/val/test splits
- Monitor for overfitting
- Evaluate on representative data
Dependencies
- transformers
- datasets
- accelerate
Compartilhar
X
LinkedIn
