К содержимому

Датасет · NuBerea

Рецепционный корпус Реформации с OCR

NuBerea/reformation

Корпус текстов эпохи Реформации с page-grain OCR, разметкой и леммами на нескольких языках.

Что внутри

Включает тексты авторов эпохи Реформации (ок. 1517–1564 гг.) после Tesseract v4 page-grain OCR при 200 DPI. Содержит производный аппарат, леммы, классификацию контента и сабсиды для ремонта текстов на латинском, немецком, английском и французском языках размером от 10M до 100M.

Что можно сделать

  • Обучение моделей распознавания исторических текстов (OCR)
  • Исследование корпусной лингвистики и филологии эпохи Реформации
  • Извлечение признаков (feature-extraction) из исторических документов
Задачи
Эмбеддинги
Языки
la, Английский, Немецкий, Французский
Размер
10M–100M записей
Скачиваний за месяц
22 тыс.
Лайков
1
Доступ
по запросу на Hugging Face

Как загрузить

from datasets import load_dataset

ds = load_dataset("NuBerea/reformation")