Instructions to use kg-mc/bert-regresion-experiencia-laboral with libraries, inference providers, notebooks, and local apps. Follow these links to get started.
- Libraries
- Transformers
How to use kg-mc/bert-regresion-experiencia-laboral with Transformers:
# Use a pipeline as a high-level helper from transformers import pipeline pipe = pipeline("text-classification", model="kg-mc/bert-regresion-experiencia-laboral")# Load model directly from transformers import AutoTokenizer, AutoModelForSequenceClassification tokenizer = AutoTokenizer.from_pretrained("kg-mc/bert-regresion-experiencia-laboral") model = AutoModelForSequenceClassification.from_pretrained("kg-mc/bert-regresion-experiencia-laboral", device_map="auto") - Notebooks
- Google Colab
- Kaggle
BERT Regressor para Experiencia Laboral
Este modelo es un Fine-Tuning de dccuchile/bert-base-spanish-wwm-cased dise帽ado para extraer los a帽os de experiencia requeridos de descripciones de puestos de trabajo en espa帽ol.
Descripci贸n
El modelo recibe un texto (descripci贸n de empleo) y predice un n煤mero flotante que representa los a帽os de experiencia solicitados.
- Entrada: Texto en espa帽ol.
- Salida: N煤mero flotante de a帽os.
Rendimiento
- MAE (Error Medio Absoluto): 0.12 a帽os
- RMSE: 0.14 a帽os
Uso
from transformers import AutoTokenizer, AutoModelForSequenceClassification
import torch
model_id = "kg-mc/bert-regresion-experiencia-laboral"
tokenizer = AutoTokenizer.from_pretrained(model_id)
model = AutoModelForSequenceClassification.from_pretrained(model_id)
texto = "Experiencia m铆nima de 5 a帽os como desarrollador ABAP en entornos SAP S/4HANA."
inputs = tokenizer(texto, return_tensors="pt")
with torch.no_grad():
outputs = model(**inputs)
output = outputs.logits[0][0].item()
print(round(output, 2))
- Downloads last month
- 3
Model tree for kg-mc/bert-regresion-experiencia-laboral
Base model
dccuchile/bert-base-spanish-wwm-cased