Add model card

README.md

@@ -0,0 +1,96 @@
+---
+license: mit
+language: es
+tags:
+- text-classification
+- spanish
+- email-classification
+- bert
+- multilingual
+datasets:
+- custom
+metrics:
+- accuracy
+- f1
+model-index:
+- name: vertigoq3/email-classifier-bert
+  results:
+  - task:
+      type: text-classification
+      name: Email Classification
+    dataset:
+      type: custom
+      name: Email Dataset
+    metrics:
+    - type: accuracy
+      value: 0.0
+    - type: f1
+      value: 0.0
+---
+
+# email-classifier-bert
+
+Modelo BERT multilingüe fine-tuneado para clasificación de emails en español.
+
+## Descripción
+
+Este modelo está basado en `bert-base-multilingual-cased` y ha sido entrenado para clasificar emails en diferentes categorías. El modelo puede identificar automáticamente el tipo de email basándose en su contenido.
+
+## Uso
+
+```python
+from transformers import AutoTokenizer, AutoModelForSequenceClassification
+import torch
+import numpy as np
+import pickle
+
+# Cargar el modelo y tokenizer
+model = AutoModelForSequenceClassification.from_pretrained("vertigoq3/email-classifier-bert")
+tokenizer = AutoTokenizer.from_pretrained("vertigoq3/email-classifier-bert")
+
+# Cargar el encoder de etiquetas
+with open("label_encoder.pkl", "rb") as f:
+    encoder = pickle.load(f)
+
+def clasificar_email(texto):
+    device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
+    model.to(device)
+    
+    inputs = tokenizer(texto, return_tensors="pt", truncation=True, padding=True, max_length=512)
+    inputs = {k: v.to(device) for k, v in inputs.items()}
+    
+    with torch.no_grad():
+        outputs = model(**inputs)
+    
+    pred = np.argmax(outputs.logits.detach().cpu().numpy(), axis=1)
+    return encoder.inverse_transform(pred)[0]
+
+# Ejemplo de uso
+resultado = clasificar_email("¿Cuándo abren mañana?")
+print(f"Categoría: {resultado}")
+```
+
+## Instalación
+
+```bash
+pip install transformers torch numpy scikit-learn
+```
+
+## Entrenamiento
+
+El modelo fue entrenado con:
+- **Base Model**: bert-base-multilingual-cased
+- **Epochs**: 6
+- **Learning Rate**: 2e-5
+- **Batch Size**: 8
+- **Weight Decay**: 0.01
+
+## Limitaciones
+
+- El modelo está optimizado para texto en español
+- Requiere el archivo `label_encoder.pkl` para funcionar correctamente
+- Las categorías de clasificación dependen del dataset de entrenamiento
+
+## Contacto
+
+Para preguntas o problemas, contacta al autor del modelo.