File size: 6,202 Bytes
113a1d5
283da9d
 
113a1d5
 
 
 
 
 
 
 
c0370cd
283da9d
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
113a1d5
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
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
---
language:
- tr
license: mit
tags:
- generated_from_trainer
metrics:
- precision
- recall
- accuracy
- f1
widget:
- text: İngiltere'de düzenlenen Avrupa Tekvando ve Para Tekvando Şampiyonası’nda millî
    tekvandocular 5 altın, 2 gümüş ve 4 bronz olmak üzere 11, millî para tekvandocular
    ise 4 altın, 3 gümüş ve 1 bronz olmak üzere 8 madalya kazanarak takım halinde
    Avrupa şampiyonu oldu.
- text: Füme somon dedik ama aslında lox salamuralanmış somon anlamına geliyor, füme
    etme opsiyonel. Lox bagel, 1930'larda Eggs Benedict furyasında New Yorklu Yahudi
    cemaati tarafından koşer bir alternatif olarak çıkan bir lezzet. Günümüzde benim
    hangover yüreğim dâhil dünyanın birçok yerinde enfes bir kahvaltı sandviçi.
- text: Türkiye'de son aylarda sıklıkla tartışılan konut satışı karşılığında yabancılara
    vatandaşlık verilmesi konusunu beyin göçü kapsamında ele almak mümkün. Daha önce
    250 bin dolar olan vatandaşlık bedeli yükselen tepkiler üzerine 400 bin dolara
    çıkarılmıştı. Türkiye'den göç eden iyi eğitimli kişilerin , gittikleri ülkelerde
    250 bin dolar tutarında yabancı yatırıma denk olduğu göz önüne alındığında nitelikli
    insan gücünün yabancılara konut karşılığında satılan vatandaşlık bedelin  olduğunu
    görüyoruz. Yurt dışına giden her bir vatandaşın yüksek teknolojili katma değer
    üreten sektörlere yapacağı katkılar göz önünde bulundurulduğunda bu açığın inşaat
    sektörüyle kapatıldığını da görüyoruz. Beyin göçü konusunda sadece ekonomik perspektiften
    bakıldığında bile kısa vadeli döviz kaynağı yaratmak için kullanılan vatandaşlık
    satışı yerine beyin göçünü önleyecek önlemler alınmasının ülkemize çok daha faydalı
    olacağı sonucunu çıkarıyoruz.
- text: Türkiye’de resmî verilere göre, 15 ve daha yukarı yaştaki kişilerde mevsim
    etkisinden arındırılmış işsiz sayısı, bu yılın ilk çeyreğinde bir önceki çeyreğe
    göre 50 bin kişi artarak 3 milyon 845 bin kişi oldu. Mevsim etkisinden arındırılmış
    işsizlik oranı ise 0,1 puanlık artışla %11,4 seviyesinde gerçekleşti. İşsizlik
    oranı, ilk çeyrekte geçen yılın aynı çeyreğine göre 1,7 puan azaldı.
- text: 'Boeing’in insansız uzay aracı Starliner, birtakım sorunlara rağmen Uluslararası
    Uzay İstasyonuna (ISS) ulaşarak ilk kez başarılı bir şekilde kenetlendi. Aracın
    ISS’te beş gün kalmasını takiben sorunsuz bir şekilde New Mexico’ya inmesi halinde
    Boeing, sonbaharda astronotları yörüngeye göndermek için Starliner’ı kullanabilir.


    Neden önemli? NASA’nın personal aracı üretmeyi durdurmasından kaynaklı olarak
    görevli astronotlar ve kozmonotlar, ISS’te Rusya’nın ürettiği uzay araçları ile
    taşınıyordu. Starliner’ın kendini kanıtlaması ise bu konuda Rusya’ya olan bağımlılığın
    potansiyel olarak ortadan kalkabileceği anlamına geliyor.'
base_model: dbmdz/bert-base-turkish-cased
model-index:
- name: berturk-keyword-discriminator
  results: []
---

<!-- This model card has been generated automatically according to the information the Trainer had access to. You
should probably proofread and complete it, then remove this comment. -->

# berturk-keyword-discriminator

This model is a fine-tuned version of [dbmdz/bert-base-turkish-cased](https://huggingface.co/dbmdz/bert-base-turkish-cased) on an unknown dataset.
It achieves the following results on the evaluation set:
- Loss: 0.4196
- Precision: 0.6729
- Recall: 0.6904
- Accuracy: 0.9163
- F1: 0.6815
- Ent/precision: 0.6776
- Ent/accuracy: 0.7365
- Ent/f1: 0.7058
- Con/precision: 0.6640
- Con/accuracy: 0.6151
- Con/f1: 0.6386

## Model description

More information needed

## Intended uses & limitations

More information needed

## Training and evaluation data

More information needed

## Training procedure

### Training hyperparameters

The following hyperparameters were used during training:
- learning_rate: 2e-05
- train_batch_size: 16
- eval_batch_size: 16
- seed: 42
- optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
- lr_scheduler_type: linear
- num_epochs: 8
- mixed_precision_training: Native AMP

### Training results

| Training Loss | Epoch | Step  | Validation Loss | Precision | Recall | Accuracy | F1     | Ent/precision | Ent/accuracy | Ent/f1 | Con/precision | Con/accuracy | Con/f1 |
|:-------------:|:-----:|:-----:|:---------------:|:---------:|:------:|:--------:|:------:|:-------------:|:------------:|:------:|:-------------:|:------------:|:------:|
| 0.1899        | 1.0   | 1875  | 0.1927          | 0.6330    | 0.6682 | 0.9163   | 0.6502 | 0.6283        | 0.7398       | 0.6795 | 0.6438        | 0.5513       | 0.5940 |
| 0.137         | 2.0   | 3750  | 0.1988          | 0.6405    | 0.6959 | 0.9160   | 0.6671 | 0.6461        | 0.7475       | 0.6931 | 0.6297        | 0.6116       | 0.6205 |
| 0.101         | 3.0   | 5625  | 0.2375          | 0.6494    | 0.7188 | 0.9173   | 0.6824 | 0.6497        | 0.7743       | 0.7066 | 0.6488        | 0.6281       | 0.6383 |
| 0.0767        | 4.0   | 7500  | 0.2699          | 0.6533    | 0.7188 | 0.9154   | 0.6845 | 0.6575        | 0.7741       | 0.7111 | 0.6449        | 0.6285       | 0.6366 |
| 0.057         | 5.0   | 9375  | 0.3188          | 0.6696    | 0.6914 | 0.9163   | 0.6803 | 0.6790        | 0.7405       | 0.7084 | 0.6518        | 0.6112       | 0.6308 |
| 0.0423        | 6.0   | 11250 | 0.3646          | 0.6773    | 0.6846 | 0.9171   | 0.6809 | 0.6787        | 0.7388       | 0.7075 | 0.6746        | 0.5959       | 0.6328 |
| 0.0339        | 7.0   | 13125 | 0.4007          | 0.6711    | 0.6816 | 0.9151   | 0.6763 | 0.6782        | 0.7283       | 0.7023 | 0.6575        | 0.6055       | 0.6304 |
| 0.0282        | 8.0   | 15000 | 0.4196          | 0.6729    | 0.6904 | 0.9163   | 0.6815 | 0.6776        | 0.7365       | 0.7058 | 0.6640        | 0.6151       | 0.6386 |


### Framework versions

- Transformers 4.19.2
- Pytorch 1.11.0+cu113
- Datasets 2.2.2
- Tokenizers 0.12.1