CommencezCommencez gratuitement

Zero-shot prompting avec des évaluations

En plus de répondre à des questions, de transformer du texte et d'en générer, les modèles DeepSeek peuvent aussi servir à des tâches de classification, comme la catégorisation et l'analyse de sentiment.

Dans cet exercice, vous allez explorer l'utilisation de DeepSeek en mode clavardage pour classifier le sentiment à partir d'évaluations d'une boutique de chaussures en ligne appelée Toe-Tally Comfortable. Idéalement, vous visez des sorties au format :

1. Texte de l'évaluation = <note 1-5>
2. Texte de l'évaluation = <note 1-5>
3. ...

Cette activité fait partie du cours

Travailler avec DeepSeek en Python

Voir le cours

Instructions de l’exercice

  • Définissez un prompt pour classifier le sentiment des énoncés fournis à l'aide des nombres de 1 à 5 (positif à négatif) — ne donnez pas encore d'exemple !
  • Créez une requête pour envoyer ce prompt à deepseek-ai/DeepSeek-V4-Pro.

Exercice interactif pratique

Essayez cet exercice en complétant ce code d’exemple.

client = OpenAI(api_key="", base_url="https://api.together.xyz/v1")

# Define a multi-line prompt to classify sentiment
prompt = """____. Return no explanations:
1. Unbelievably good!
2. Shoes fell apart on the second use.
3. The shoes look nice, but they aren't very comfortable.
4. Can't wait to show them off!"""

# Create a request to the chat model
response = client.chat.completions.create(
  model="deepseek-ai/DeepSeek-V4-Pro",
  messages=[{"role": "user", "content": ____}],
  max_tokens=500
)

print(response.choices[0].message.content)
Modifier et exécuter le code