Machine Learning,Artificial Intelligence,Computation and Language,یادگیری ماشین , هوش مصنوعی , محاسبات و زبان ,
توضیحات
Submitted 2 September, 2024; originally announced September 2024. , Comments: Code is available at: https://github.com/mohammad-gh009/Large-Language-Models-vs-Classical-Machine-learning and https://github.com/Sdamirsa/Tehran_COVID_Cohort. The datasets are available from the corresponding author on reasonable request (sdamirsa@ymail.com) , MSC Class: 92C50; 68T50 ACM Class: J.3
توضیحات به فارسی
ارسال شده در 2 سپتامبر 2024 ؛originally announced September 2024. , Comments: Code is available at: https://github.com/mohammad-gh009/Large-Language-Models-vs-Classical-Machine-learning and https://github.com/Sdamirsa/Tehran_COVID_Cohortبشرمجموعه داده ها از نویسنده مربوطه در درخواست معقول (sdamirsa@ymail.com) ، کلاس MSC: 92C50 در دسترس هستند.کلاس 68T50 ACM: J.3
کتاب پرسش و پاسخ چهارگزینهای – نسخه یادگیری سریع
— پاسخها بلافاصله بعد از سؤال برای مرور سریع
مشاهده نمونه نسخه کوییز سریع
کتاب پرسش و پاسخ چهارگزینهای – نسخه خودآزمایی
— پاسخها در انتهای بخشها برای سنجش واقعی یادگیری
مشاهده نمونه نسخه آزمونی
🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتابها، تمرینها و خودآزمایی.
ℹ️ نکات مهم هنگام خرید
این محصول به صورت فایل دانلودی کامل ارائه میشود.
توجه: لینکهای اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال میشوند.
دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینکها را دریافت نکردهاید، نام و نام خانوادگی و نام محصول را پیامک کنید تا
لینکها دوباره ارسال شوند.
💬 راههای ارتباطی پشتیبانی: واتساپ یا هر پیام رسان داخلی یا پیامک:
09395106248 تلگرام: @ma_limbs
چکیده
Background: This study aimed to evaluate and compare the performance of classical machine learning models (CMLs) and large language models (LLMs) in predicting mortality associated with COVID-19 by utilizing a high-dimensional tabular dataset. Materials and Methods: We analyzed data from 9,134 COVID-19 patients collected across four hospitals. Seven CML models, including XGBoost and random forest (RF), were trained and evaluated. The structured data was converted into text for zero-shot classification by eight LLMs, including GPT-4 and Mistral-7b. Additionally, Mistral-7b was fine-tuned using the QLoRA approach to enhance its predictive capabilities. Results: Among the CML models, XGBoost and RF achieved the highest accuracy, with F1 scores of 0.87 for internal validation and 0.83 for external validation. In the LLM category, GPT-4 was the top performer with an F1 score of 0.43. Fine-tuning Mistral-7b significantly improved its recall from 1% to 79%, resulting in an F1 score of 0.74, which was stable during external validation. Conclusion: While LLMs show moderate performance in zero-shot classification, fine-tuning can significantly enhance their effectiveness, potentially aligning them closer to CML models. However, CMLs still outperform LLMs in high-dimensional tabular data tasks.
چکیده به فارسی (ترجمه ماشینی)
سابقه و هدف: این مطالعه با هدف ارزیابی و مقایسه عملکرد مدل های یادگیری ماشین کلاسیک (CML) و مدل های بزرگ زبان (LLM) در پیش بینی مرگ و میر مرتبط با COVID-19 با استفاده از یک مجموعه داده جدولی بالا.مواد و روش ها: ما داده های 9،134 بیمار COVID-19 را که در چهار بیمارستان جمع آوری شده اند ، تجزیه و تحلیل کردیم.هفت مدل CML ، از جمله XGBoost و Random Forest (RF) ، آموزش داده و ارزیابی شدند.داده های ساختار یافته برای طبقه بندی صفر با شات توسط هشت LLM ، از جمله GPT-4 و MISTRAL-7B به متن تبدیل شدند.علاوه بر این ، MISTRAL-7B با استفاده از رویکرد Qlora برای تقویت قابلیت های پیش بینی شده آن تنظیم شد.یافته ها: در بین مدلهای CML ، XGBOOST و RF بالاترین دقت را به دست آوردند ، با نمرات F1 0.87 برای اعتبار داخلی و برای اعتبار سنجی خارجی 0.83.در رده LLM ، GPT-4 با نمره F1 0.43 بهترین مجری بود.تنظیم دقیق MISTRAL-7B به طور قابل توجهی فراخوان خود را از 1 ٪ به 79 ٪ بهبود بخشید ، در نتیجه نمره F1 0.74 ، که در طول اعتبار سنجی خارجی پایدار بود.نتیجه گیری: در حالی که LLM ها عملکرد متوسطی را در طبقه بندی صفر نشان می دهند ، تنظیم دقیق می تواند به طور قابل توجهی اثربخشی آنها را افزایش دهد ، به طور بالقوه آنها را به مدل های CML نزدیک تر می کند.با این حال ، CML ها هنوز از LLMS در کارهای داده جدولی با ابعاد بالا بهتر عمل می کنند.
📚 محتوای این محصول آموزشی (پکیج کامل)
علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیقتر و تسلط کامل بر مباحث مجموعهای از کتابهای آموزشی نیز ارائه میشود.
کتاب پرسش و پاسخ چهارگزینهای – نسخه یادگیری سریع
— پاسخها بلافاصله بعد از سؤال برای مرور سریع
مشاهده نمونه نسخه کوییز سریع
کتاب پرسش و پاسخ چهارگزینهای – نسخه خودآزمایی
— پاسخها در انتهای بخشها برای سنجش واقعی یادگیری
مشاهده نمونه نسخه آزمونی
🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتابها، تمرینها و خودآزمایی.
ℹ️ نکات مهم هنگام خرید
این محصول به صورت فایل دانلودی کامل ارائه میشود.
توجه: لینکهای اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال میشوند.
دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینکها را دریافت نکردهاید، نام و نام خانوادگی و نام محصول را پیامک کنید تا
لینکها دوباره ارسال شوند.
💬 راههای ارتباطی پشتیبانی: واتساپ یا هر پیام رسان داخلی یا پیامک:
09395106248 تلگرام: @ma_limbs
