--- language: - tr license: apache-2.0 tags: - sentence-transformers - sentence-similarity - feature-extraction - generated_from_trainer - dataset_size:19931 - loss:MultipleNegativesRankingLoss base_model: intfloat/multilingual-e5-large-instruct widget: - source_sentence: En yakın restoranı bulun. sentences: - '"Hangi parkurlarda yürüyüş yapmayı tercih ediyorsun?"' - Brooklyn, NY - 'En yakın restoranı bulmak için aşağıdaki yöntemleri kullanabilirsiniz: 1. **Harita Uygulamaları**: Google Maps veya Apple Maps gibi harita uygulamaları, yakınınızdaki restoranları listeleyebilir. Bu uygulamalarda "restoran" araması yaparak konumunuza en yakın seçenekleri görüntüleyebilirsiniz. 2. **Yelp veya TripAdvisor**: Bu uygulamalar, kullanıcı yorumları ve puanlamalarına göre restoranları sıralayarak en iyi seçenekleri bulmanızı sağlar. 3. **OpenTable**: Bu uygulama, özellikle restoran rezervasyonu yapmak isterseniz faydalı olabilir. Brooklyn, NY''de birçok restoran seçeneği bulunmaktadır, bu yüzden belirli bir tür mutfak veya yemek arıyorsanız aramanızı daraltmak iyi bir strateji olabilir.' - source_sentence: Verilen cümlede tek tırnak işaretlerini (') çift tırnak işaretleriyle (") değiştirin. sentences: - "Verilen doğrusal sistemi çözmek için iki denklem arasında eliminasyon veya yerine\ \ koyma yöntemlerinden birini kullanabiliriz. Burada yerine koyma yöntemini kullanarak\ \ çözelim.\n\n1. İlk denklemden y'yi yalnız bırakın:\n\n\\[ 2x + y = 5 \\] \n\n\ Buradan, \\[ y = 5 - 2x \\] olur.\n\n2. Bulduğumuz \\( y = 5 - 2x \\) ifadesini\ \ ikinci denklemde yerine koyun:\n\n\\[ -x + 3y = 4 \\]\n\n\\[ -x + 3(5 - 2x)\ \ = 4 \\]\n\n3. Dağıtımı yapalım:\n\n\\[ -x + 15 - 6x = 4 \\]\n\n4. Benzer terimleri\ \ toplayalım:\n\n\\[ -7x + 15 = 4 \\]\n\n5. Her iki taraftan 15 çıkarın:\n\n\\\ [ -7x = 4 - 15 \\]\n\n\\[ -7x = -11 \\]\n\n6. Her iki tarafı da -7'ye bölün:\n\ \n\\[ x = \\frac{-11}{-7} \\]\n\n\\[ x = \\frac{11}{7} \\]\n\n7. Bulduğumuz \\\ ( x \\) değerini \\( y = 5 - 2x \\) ifadesinde yerine koyun:\n\n\\[ y = 5 - 2\\\ left(\\frac{11}{7}\\right) \\]\n\n\\[ y = 5 - \\frac{22}{7} \\]\n\n\\[ y = \\\ frac{35}{7} - \\frac{22}{7} \\]\n\n\\[ y = \\frac{13}{7} \\]\n\nBu durumda doğrusal\ \ sistemin çözümü:\n\n\\[ x = \\frac{11}{7} \\] ve \\[ y = \\frac{13}{7} \\] olur." - ABD'de, KIPP bir "kamu-özel ortaklığıdır". - ABD'de, KIPP bir 'kamu-özel ortaklığıdır'. - source_sentence: 'Bir saatin fiyatı 50 dolardır. (50 dolarlık saat)' sentences: - Etkinliğe katıldı. - Ev sahibi takımın zaferi - 'Sanırım iki farklı konudan bahsediyorsunuz: biri bir saat fiyatı, diğeri ise ev sahibi takımın zaferi. Bu konulardan hangisi hakkında daha fazla bilgi almak istersiniz? Ya da her iki konuyu kapsayan belirli bir sorunuz var mı?' - source_sentence: Yakındaki bir restoran bulun, mutfağı sunan. sentences: - 'Kuadratik denklemi çözmek için diskriminant yöntemini kullanabiliriz. Genel formdaki bir kuadratik denklem \( ax^2 + bx + c = 0 \) şeklindedir. Burada, \( a = 3 \), \( b = 7 \) ve \( c = -4 \) olarak verilmiştir. Diskriminant (\( \Delta \)), \( b^2 - 4ac \) formülü ile hesaplanır: \[ \Delta = 7^2 - 4 \cdot 3 \cdot (-4) = 49 + 48 = 97 \] Diskriminant pozitif olduğundan, iki gerçek ve farklı kök vardır. Kuadratik formül kullanılarak kökler bulunabilir: \[ x = \frac{-b \pm \sqrt{\Delta}}{2a} \] Bu formüle bağlı olarak kökleri bulalım: \[ x_1 = \frac{-7 + \sqrt{97}}{6} \] \[ x_2 = \frac{-7 - \sqrt{97}}{6} \] Bu, orijinal denklemin iki çözümünü verir: \[ x_1 = \frac{-7 + \sqrt{97}}{6} \quad \text{ve} \quad x_2 = \frac{-7 - \sqrt{97}}{6} \]' - 'Üzgünüm, yakındaki restoranları veya mekanları aramak gibi anlık coğrafi konum verilerine erişimim yok. Ancak, İtalyan mutfağından bir yemek tarifi verebilirim! İşte klasik bir İtalyan tarifi: Spaghetti Aglio e Olio. ### Spaghetti Aglio e Olio Tarifi #### Malzemeler: - 400 gram spagetti - 4-5 diş sarımsak - 1/2 çay bardağı zeytinyağı - 1/2 çay kaşığı kırmızı pul biber (isteğe bağlı) - Tuz - Karabiber - Yarım demet taze maydanoz - Üzeri için rendelenmiş Parmesan peyniri (isteğe bağlı) #### Yapılışı: 1. **Spagettiyi Haşlayın**: Büyük bir tencerede suyu kaynatın. Kaynayan suya yeterince tuz ekleyin ve spagettiyi pakette belirtilen süreye göre al dente (dişe gelir) şekilde haşlayın. Haşlandıktan sonra makarnanın suyundan bir bardak ayırın ve makarnayı süzün. 2. **Sarımsak ve Zeytinyağını Hazırlayın**: Sarımsakları ince ince dilimleyin. Geniş bir tavada, düşük ateşte zeytinyağını ısıtın. Sarımsakları ekleyin ve altın rengi alana kadar yavaşça soteleyin. Eğer biraz acı seviyorsanız kırmızı pul biberi de bu aşamada ekleyebilirsiniz. 3. **Makarnayı Karıştırın**: Haşlanmış ve süzülmüş makarnayı tavadaki sarımsaklı zeytinyağının içine ekleyin. Ayırdığınız makarna suyundan da azar azar ekleyerek karıştırın. Tuz ve karabiber ile tatlandırın. 4. **Servis Edin**: İnce kıyılmış taze maydanozu makarnanın üzerine serpin ve karıştırın. İsterseniz üzerine rendelenmiş Parmesan peyniri de ekleyerek servis yapın. Afiyet olsun! Bu basit ama lezzetli İtalyan yemeği, hızlı bir akşam yemeği için harika bir seçenektir.' - - İtalyan - source_sentence: Bu cümleyi etken bir yapı kullanarak yeniden yazın. sentences: - Kaptan tekneyi çarptı. - "Verilen listeyi sıralamak için basit bir sıralama algoritmasının nasıl çalıştığını\ \ açıklayayım. Örnek olarak \"Seçmeli Sıralama\" (Selection Sort) algoritmasını\ \ kullanabiliriz. Bu algoritma, her adımda dizinin geri kalan kısmından en küçük\ \ (veya en büyük) öğeyi seçip, bunu sıralanmamış bölümün başına yerleştirir. İşte\ \ adım adım nasıl çalıştığı:\n\n1. **Başla**: İlk öğeden başlayarak liste üzerinde\ \ ilerle.\n\n2. **En küçük elemanı bul**: \n - Mevcut konumdan başlayarak geri\ \ kalan elemanlar arasında en küçük değeri bul.\n - Listenin ilk konumunda (0\ \ indeksli) başla ve bu elemanı hafızada \"şimdilik en küçük\" olarak tut.\n\n\ 3. **Yer değiştir**:\n - Geri kalan elemanlar arasında bulunmuş olan en küçük\ \ değeri, mevcut konumda olan elemanla yer değiştir.\n\n4. **Sonraki pozisyona\ \ geç**:\n - Bir konum ilerle ve 2. adımdan itibaren devam et.\n\n5. **Bittiğinde**:\ \ Liste baştan sona kontrol edildiğinde ve tüm elemanlar sırasıyla yerleştirildiğinde,\ \ işlem tamamlanmıştır.\n\nVerilen örnek [4, 1, 6, 5, 2] listesi üzerinden bunu\ \ adım adım uygulayalım:\n\n- Başlangıç listesi: [4, 1, 6, 5, 2]\n\n**1. Adım:**\n\ - En küçük eleman 1, onu ilk pozisyondaki 4 ile değiştir.\n- Liste: [1, 4, 6,\ \ 5, 2]\n\n**2. Adım:**\n- Kalan liste [4, 6, 5, 2] içinde en küçük eleman 2,\ \ bunu 4 ile değiştir.\n- Liste: [1, 2, 6, 5, 4]\n\n**3. Adım:**\n- Kalan liste\ \ [6, 5, 4] içinde en küçük eleman 4, bunu 6 ile değiştir.\n- Liste: [1, 2, 4,\ \ 5, 6]\n\n**4. Adım:**\n- Kalan liste [5, 6] içinde en küçük eleman 5, bu zaten\ \ yerinde.\n- Liste: [1, 2, 4, 5, 6]\n\n**5. Adım:**\n- Tek kalan eleman 6, o\ \ da yerinde. Sıralama tamamlandı.\n\nBu algoritmanın zaman karmaşıklığı \\(O(n^2)\\\ ) olduğundan, daha büyük listelerde daha verimli bir algoritma kullanmak isteyebilirsiniz,\ \ örneğin Hızlı Sıralama (Quick Sort) veya Birleştirme Sıralaması (Merge Sort).\ \ Ancak, küçük listeler için Seçmeli Sıralama anlaşılır ve yeterlidir." - Tekne kaptan tarafından çarpıldı. pipeline_tag: sentence-similarity library_name: sentence-transformers --- # intfloat-fine-tuned This is a [sentence-transformers](https://www.SBERT.net) model finetuned from [intfloat/multilingual-e5-large-instruct](https://huggingface.co/intfloat/multilingual-e5-large-instruct) on the json dataset. It maps sentences & paragraphs to a 1024-dimensional dense vector space and can be used for semantic textual similarity, semantic search, paraphrase mining, text classification, clustering, and more. ## Model Details ### Model Description - **Model Type:** Sentence Transformer - **Base model:** [intfloat/multilingual-e5-large-instruct](https://huggingface.co/intfloat/multilingual-e5-large-instruct) - **Maximum Sequence Length:** 512 tokens - **Output Dimensionality:** 1024 tokens - **Similarity Function:** Cosine Similarity - **Training Dataset:** - json - **Language:** tr - **License:** apache-2.0 ### Model Sources - **Documentation:** [Sentence Transformers Documentation](https://sbert.net) - **Repository:** [Sentence Transformers on GitHub](https://github.com/UKPLab/sentence-transformers) - **Hugging Face:** [Sentence Transformers on Hugging Face](https://huggingface.co/models?library=sentence-transformers) ### Full Model Architecture ``` SentenceTransformer( (0): Transformer({'max_seq_length': 512, 'do_lower_case': False}) with Transformer model: XLMRobertaModel (1): Pooling({'word_embedding_dimension': 1024, 'pooling_mode_cls_token': False, 'pooling_mode_mean_tokens': True, 'pooling_mode_max_tokens': False, 'pooling_mode_mean_sqrt_len_tokens': False, 'pooling_mode_weightedmean_tokens': False, 'pooling_mode_lasttoken': False, 'include_prompt': True}) (2): Normalize() ) ``` ## Usage ### Direct Usage (Sentence Transformers) First install the Sentence Transformers library: ```bash pip install -U sentence-transformers ``` Then you can load this model and run inference. ```python from sentence_transformers import SentenceTransformer # Download from the 🤗 Hub model = SentenceTransformer("Omerhan/checkpoint-120-aixr") # Run inference sentences = [ 'Bu cümleyi etken bir yapı kullanarak yeniden yazın.', 'Kaptan tekneyi çarptı.', 'Tekne kaptan tarafından çarpıldı.', ] embeddings = model.encode(sentences) print(embeddings.shape) # [3, 1024] # Get the similarity scores for the embeddings similarities = model.similarity(embeddings, embeddings) print(similarities.shape) # [3, 3] ``` ## Training Details ### Training Dataset #### json * Dataset: json * Size: 19,931 training samples * Columns: anchor, positive, and negative * Approximate statistics based on the first 1000 samples: | | anchor | positive | negative | |:--------|:-----------------------------------------------------------------------------------|:------------------------------------------------------------------------------------|:-----------------------------------------------------------------------------------| | type | string | string | string | | details | | | | * Samples: | anchor | positive | negative | |:-------------------------------------------------------------------------|:---------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|:--------------------------------------------------------| | Tek farklı olanı belirleyin. | Tek farklı olan Telegram'dır. Bunun sebebi, Twitter ve Instagram'ın ana odaklarının sosyal medya platformları olması ve daha çok kullanıcıların içerik paylaşımına odaklanması iken, Telegram'ın öncelikli olarak bir mesajlaşma uygulaması olmasıdır. Telegram, kullanıcılar arasında mesajlaşma, medya dosyaları paylaşma ve grup sohbetleri oluşturma gibi özelliklerle öne çıkar. | Twitter, Instagram, Telegram | | Aşağıdaki cümleyi etken çatı kullanarak yeniden yazın. | Kaptan haber raporunu okudu. | Haber raporu kaptan tarafından okundu. | | Bu cümleyi yazım ve dilbilgisi hataları için değerlendirin. | Bu cümlede yazım ve dilbilgisi açısından herhangi bir hata bulunmamaktadır. Cümle doğru bir şekilde yazılmıştır. | O yemeğini bitirdi ve restorandan ayrıldı. | * Loss: [MultipleNegativesRankingLoss](https://sbert.net/docs/package_reference/sentence_transformer/losses.html#multiplenegativesrankingloss) with these parameters: ```json { "scale": 20.0, "similarity_fct": "cos_sim" } ``` ### Training Hyperparameters #### Non-Default Hyperparameters - `gradient_accumulation_steps`: 8 - `learning_rate`: 1e-06 - `num_train_epochs`: 1 - `lr_scheduler_type`: cosine - `warmup_ratio`: 0.01 - `tf32`: True - `optim`: adamw_torch_fused - `batch_sampler`: no_duplicates #### All Hyperparameters
Click to expand - `overwrite_output_dir`: False - `do_predict`: False - `eval_strategy`: no - `prediction_loss_only`: True - `per_device_train_batch_size`: 8 - `per_device_eval_batch_size`: 8 - `per_gpu_train_batch_size`: None - `per_gpu_eval_batch_size`: None - `gradient_accumulation_steps`: 8 - `eval_accumulation_steps`: None - `torch_empty_cache_steps`: None - `learning_rate`: 1e-06 - `weight_decay`: 0.0 - `adam_beta1`: 0.9 - `adam_beta2`: 0.999 - `adam_epsilon`: 1e-08 - `max_grad_norm`: 1.0 - `num_train_epochs`: 1 - `max_steps`: -1 - `lr_scheduler_type`: cosine - `lr_scheduler_kwargs`: {} - `warmup_ratio`: 0.01 - `warmup_steps`: 0 - `log_level`: passive - `log_level_replica`: warning - `log_on_each_node`: True - `logging_nan_inf_filter`: True - `save_safetensors`: True - `save_on_each_node`: False - `save_only_model`: False - `restore_callback_states_from_checkpoint`: False - `no_cuda`: False - `use_cpu`: False - `use_mps_device`: False - `seed`: 42 - `data_seed`: None - `jit_mode_eval`: False - `use_ipex`: False - `bf16`: False - `fp16`: False - `fp16_opt_level`: O1 - `half_precision_backend`: auto - `bf16_full_eval`: False - `fp16_full_eval`: False - `tf32`: True - `local_rank`: 0 - `ddp_backend`: None - `tpu_num_cores`: None - `tpu_metrics_debug`: False - `debug`: [] - `dataloader_drop_last`: False - `dataloader_num_workers`: 0 - `dataloader_prefetch_factor`: None - `past_index`: -1 - `disable_tqdm`: False - `remove_unused_columns`: True - `label_names`: None - `load_best_model_at_end`: False - `ignore_data_skip`: False - `fsdp`: [] - `fsdp_min_num_params`: 0 - `fsdp_config`: {'min_num_params': 0, 'xla': False, 'xla_fsdp_v2': False, 'xla_fsdp_grad_ckpt': False} - `fsdp_transformer_layer_cls_to_wrap`: None - `accelerator_config`: {'split_batches': False, 'dispatch_batches': None, 'even_batches': True, 'use_seedable_sampler': True, 'non_blocking': False, 'gradient_accumulation_kwargs': None} - `deepspeed`: None - `label_smoothing_factor`: 0.0 - `optim`: adamw_torch_fused - `optim_args`: None - `adafactor`: False - `group_by_length`: False - `length_column_name`: length - `ddp_find_unused_parameters`: None - `ddp_bucket_cap_mb`: None - `ddp_broadcast_buffers`: False - `dataloader_pin_memory`: True - `dataloader_persistent_workers`: False - `skip_memory_metrics`: True - `use_legacy_prediction_loop`: False - `push_to_hub`: False - `resume_from_checkpoint`: None - `hub_model_id`: None - `hub_strategy`: every_save - `hub_private_repo`: False - `hub_always_push`: False - `gradient_checkpointing`: False - `gradient_checkpointing_kwargs`: None - `include_inputs_for_metrics`: False - `eval_do_concat_batches`: True - `fp16_backend`: auto - `push_to_hub_model_id`: None - `push_to_hub_organization`: None - `mp_parameters`: - `auto_find_batch_size`: False - `full_determinism`: False - `torchdynamo`: None - `ray_scope`: last - `ddp_timeout`: 1800 - `torch_compile`: False - `torch_compile_backend`: None - `torch_compile_mode`: None - `dispatch_batches`: None - `split_batches`: None - `include_tokens_per_second`: False - `include_num_input_tokens_seen`: False - `neftune_noise_alpha`: None - `optim_target_modules`: None - `batch_eval_metrics`: False - `eval_on_start`: False - `use_liger_kernel`: False - `eval_use_gather_object`: False - `batch_sampler`: no_duplicates - `multi_dataset_batch_sampler`: proportional
### Framework Versions - Python: 3.11.11 - Sentence Transformers: 3.1.1 - Transformers: 4.45.2 - PyTorch: 2.5.1+cu124 - Accelerate: 1.2.1 - Datasets: 3.2.0 - Tokenizers: 0.20.3 ## Citation ### BibTeX #### Sentence Transformers ```bibtex @inproceedings{reimers-2019-sentence-bert, title = "Sentence-BERT: Sentence Embeddings using Siamese BERT-Networks", author = "Reimers, Nils and Gurevych, Iryna", booktitle = "Proceedings of the 2019 Conference on Empirical Methods in Natural Language Processing", month = "11", year = "2019", publisher = "Association for Computational Linguistics", url = "https://arxiv.org/abs/1908.10084", } ``` #### MultipleNegativesRankingLoss ```bibtex @misc{henderson2017efficient, title={Efficient Natural Language Response Suggestion for Smart Reply}, author={Matthew Henderson and Rami Al-Rfou and Brian Strope and Yun-hsuan Sung and Laszlo Lukacs and Ruiqi Guo and Sanjiv Kumar and Balint Miklos and Ray Kurzweil}, year={2017}, eprint={1705.00652}, archivePrefix={arXiv}, primaryClass={cs.CL} } ```