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")