metadata

language:
  - az
metrics:
  - accuracy
  - f1
widget:
  - text: کریم خان زندین اؤلومو ایله خانلیق یئنیدن موستقیل سیاست یئریتمگه باشلادی .
    example_title: تاریخ
  - text: کیمیا علیزاده زنوزی اصیللی ایرانلی تکواندو اویونچوسودور .
    example_title: ایدمان
  - text: >-
      خزر دنیزی بؤیوک‌لوگونه و بعضی فیزیکی جوغرافی علامتلرینه گؤره دونیانین ان
      بؤیوک گؤلودور .
    example_title: جوغرافیا
  - text: >-
      گولخانی اؤزبک کلاسیک شاعیری ، ادیبی ، یازیچی و اؤزبک ادبیاتی‌نین ساتیریک
      مکتبی‌نین قوروجولاریندان بیری‌دیر .
    example_title: ادبیات

Text Classification Model

Type: Fine-tuned BERT-based text classification model
Description: This model has been fine-tuned using AzerBERT for text classification tasks. It is designed to categorize text into one of the following four categories: literature, sports, history, and geography.

How to use

# Use a pipeline as a high-level helper
from transformers import pipeline

pipe = pipeline("text-classification", model="language-ml-lab/classification-azb")

# Load model directly
from transformers import AutoTokenizer, AutoModelForSequenceClassification

tokenizer = AutoTokenizer.from_pretrained("language-ml-lab/classification-azb")
model = AutoModelForSequenceClassification.from_pretrained("language-ml-lab/classification-azb")