{"id":26035333,"url":"https://github.com/kaoutarmi/finbert-llm","last_synced_at":"2026-04-17T23:04:44.203Z","repository":{"id":279628226,"uuid":"939411249","full_name":"kaoutarmi/FinBERT-LLM","owner":"kaoutarmi","description":"Ce projet propose une application pratique de FinBERT, un modèle de traitement du langage naturel spécialisé dans l'analyse des textes financiers. ","archived":false,"fork":false,"pushed_at":"2025-02-26T14:41:59.000Z","size":0,"stargazers_count":0,"open_issues_count":0,"forks_count":0,"subscribers_count":1,"default_branch":"main","last_synced_at":"2025-02-26T15:37:31.354Z","etag":null,"topics":["financial-text-classification","finbert","hugging-face-transformers","sentiment-analysis","text-summarization","transfer-learning"],"latest_commit_sha":null,"homepage":"","language":"Jupyter Notebook","has_issues":true,"has_wiki":null,"has_pages":null,"mirror_url":null,"source_name":null,"license":null,"status":null,"scm":"git","pull_requests_enabled":true,"icon_url":"https://github.com/kaoutarmi.png","metadata":{"files":{"readme":"README.md","changelog":null,"contributing":null,"funding":null,"license":null,"code_of_conduct":null,"threat_model":null,"audit":null,"citation":null,"codeowners":null,"security":null,"support":null,"governance":null,"roadmap":null,"authors":null,"dei":null,"publiccode":null,"codemeta":null}},"created_at":"2025-02-26T13:55:25.000Z","updated_at":"2025-02-26T15:08:28.000Z","dependencies_parsed_at":"2025-02-26T15:47:47.880Z","dependency_job_id":null,"html_url":"https://github.com/kaoutarmi/FinBERT-LLM","commit_stats":null,"previous_names":["kaoutarmi/finbert-llm"],"tags_count":0,"template":false,"template_full_name":null,"repository_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/repositories/kaoutarmi%2FFinBERT-LLM","tags_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/repositories/kaoutarmi%2FFinBERT-LLM/tags","releases_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/repositories/kaoutarmi%2FFinBERT-LLM/releases","manifests_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/repositories/kaoutarmi%2FFinBERT-LLM/manifests","owner_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/owners/kaoutarmi","download_url":"https://codeload.github.com/kaoutarmi/FinBERT-LLM/tar.gz/refs/heads/main","host":{"name":"GitHub","url":"https://github.com","kind":"github","repositories_count":242332579,"owners_count":20110345,"icon_url":"https://github.com/github.png","version":null,"created_at":"2022-05-30T11:31:42.601Z","updated_at":"2022-07-04T15:15:14.044Z","host_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub","repositories_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/repositories","repository_names_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/repository_names","owners_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/owners"}},"keywords":["financial-text-classification","finbert","hugging-face-transformers","sentiment-analysis","text-summarization","transfer-learning"],"created_at":"2025-03-07T04:42:02.376Z","updated_at":"2026-04-17T23:04:44.163Z","avatar_url":"https://github.com/kaoutarmi.png","language":"Jupyter Notebook","funding_links":[],"categories":[],"sub_categories":[],"readme":"# FinBERT Sentiment Analysis 📊💼\n\nBienvenue dans ce projet d'analyse de sentiment sur les textes financiers utilisant **FinBERT**, un modèle pré-entraîné spécialement conçu pour l'analyse de données financières. Ce dépôt contient deux fichiers **notebooks** Jupyter principaux :\n\n- **FineBert-demo.ipynb** : Démonstration de l'utilisation de FinBERT pour l'analyse de sentiment.\n- **finetune.ipynb** : Fine-tuning du modèle FinBERT sur un jeu de données personnalisé.\n\n## 📑 1. **FineBert-demo.ipynb**\n\n### 🎯 **Objectif** :\nCe notebook est une démonstration pratique de l'utilisation de **FinBERT** pour l'analyse du sentiment dans les textes financiers. Il montre comment charger un modèle pré-entraîné et l'utiliser pour classer et analyser les sentiments dans les textes financiers.\n\n### 🔍 **Sections principales** :\n1. **Installation des dépendances** 🛠️ :\n   - Ce notebook commence par l'installation des bibliothèques nécessaires comme `transformers` et `torch`, qui sont essentielles pour utiliser FinBERT.\n   \n2. **Chargement du modèle FinBERT** 🚀 :\n   - Utilisation du modèle pré-entraîné `yiyanghkust/finbert-tone` disponible sur Hugging Face pour analyser les sentiments dans les textes financiers.\n\n3. **Analyse des sentiments** 💬 :\n   - Une fonction simple permet d'analyser le sentiment d'un texte financier donné (positif, négatif ou neutre).\n\n4. **Interface utilisateur** 🖥️ :\n   - Une interface interactive est créée pour permettre à l'utilisateur de saisir des textes financiers et d'obtenir instantanément l'analyse du sentiment.\n\n5. **Classification des textes financiers** 📈 :\n   - Les textes financiers sont classifiés en différentes catégories telles que \"Risque\", \"Opportunité\" et \"Neutre\".\n\n6. **Extraction d'entités nommées (NER)** 🏦 :\n   - Cette section montre comment extraire des entités financières, comme des noms d'entreprises ou d'actions, et analyser leur sentiment associé.\n\n7. **Résumé des textes financiers** ✍️ :\n   - Une fonction génère un résumé des textes financiers basé sur les sentiments analysés, pour permettre une compréhension rapide des points clés.\n\n8. **Réponses aux questions spécifiques** ❓ :\n   - Ce bloc définit une fonction permettant de répondre à des questions spécifiques posées à propos des textes financiers.\n\n### 🚀 **Points clés** :\n- Ce notebook est conçu pour être interactif et permet à l'utilisateur d'interagir avec FinBERT en temps réel pour analyser des sentiments et classer des textes financiers.\n- Il est une excellente introduction pour ceux qui veulent comprendre et utiliser FinBERT pour des tâches de traitement du langage naturel dans le domaine financier.\n\n---\n\n## 📑 2. **finetune.ipynb**\n\n### 🎯 **Objectif** :\nCe notebook est destiné à fine-tuner (affiner) le modèle **FinBERT** pour l'adapter à un jeu de données financier spécifique. Il guide à travers le processus de préparation des données, d'entraînement du modèle et d'évaluation des performances sur un ensemble de test.\n\n### 🔍 **Sections principales** :\n1. **Installation des dépendances** 🔧 :\n   - Comme pour le premier notebook, ce fichier commence par l'installation des bibliothèques nécessaires pour le fine-tuning, notamment `transformers`, `torch`, et `datasets`.\n\n2. **Chargement des données** 📂 :\n   - Le fichier utilise un jeu de données personnalisé, ici un fichier CSV nommé `analysttone.csv`, qui contient des phrases financières étiquetées avec leurs sentiments (positif, négatif, neutre).\n\n3. **Préparation des données** 🛠️ :\n   - Les données sont divisées en ensembles d'entraînement, de validation et de test. Cette étape est cruciale pour évaluer correctement la performance du modèle.\n\n4. **Chargement du modèle pré-entraîné FinBERT** 🏋️‍♂️ :\n   - Le modèle FinBERT pré-entraîné est chargé à partir de Hugging Face (`yiyanghkust/finbert-pretrain`).\n\n5. **Préparation des datasets** 📑 :\n   - Cette section montre comment tokeniser les données pour les rendre compatibles avec le modèle FinBERT. C’est une étape indispensable avant l’entraînement.\n\n6. **Définition des options d'entraînement** ⚙️ :\n   - Les hyperparamètres de l’entraînement sont définis, y compris le taux d'apprentissage, la taille des lots et le nombre d'époques, pour optimiser la performance du modèle.\n\n7. **Entraînement du modèle** 🏃‍♂️ :\n   - Le modèle est entraîné sur les données d'entraînement, et son efficacité est évaluée à chaque époque en utilisant l'ensemble de validation.\n\n8. **Évaluation sur l'ensemble de test** 📊 :\n   - Après l'entraînement, le modèle est évalué sur un ensemble de test séparé afin de mesurer sa capacité à généraliser à de nouvelles données.\n\n9. **Sauvegarde du modèle** 💾 :\n   - Enfin, le modèle fine-tuné est sauvegardé, ce qui permet de l'utiliser pour des prédictions futures sans devoir le réentraîner.\n\n### 🚀 **Points clés** :\n- Ce notebook est plus technique et se concentre sur l'adaptation du modèle FinBERT à un jeu de données spécifique, ce qui est essentiel pour des cas d’utilisation personnalisés.\n- Il montre comment fine-tuner un modèle pré-entraîné pour qu'il soit plus performant sur des données spécifiques.\n- Il nécessite un environnement avec un GPU pour accélérer l'entraînement, surtout pour les grands jeux de données.\n\n---\n\n## 🚀 **Prérequis**\n\nAvant d'exécuter ces notebooks, assurez-vous que les bibliothèques suivantes sont installées :\n\npip install transformers torch datasets\n","project_url":"https://awesome.ecosyste.ms/api/v1/projects/github.com%2Fkaoutarmi%2Ffinbert-llm","html_url":"https://awesome.ecosyste.ms/projects/github.com%2Fkaoutarmi%2Ffinbert-llm","lists_url":"https://awesome.ecosyste.ms/api/v1/projects/github.com%2Fkaoutarmi%2Ffinbert-llm/lists"}