К содержимому

Датасет · morfagen

Архив стенограмм парламента Турции (ТВММ)

morfagen/Morfagen_TBMM_Tutanak_pdf

Огромный корпус парламентских стенограмм Турции в формате PDF для работы с длинными текстами.

Что внутри

Содержит 16 824 PDF-файла (1 786 610 страниц, 166 ГБ) с официального сайта турецкого парламента (tbmm.gov.tr) с 1 по 28 созыв. Тексты на турецком языке охватывают различные государственные собрания и комитеты. Размер датасета — от 10K до 100K документов.

Что можно сделать

  • Обучение языковых моделей (LLM) на турецком языке
  • Задачи извлечения информации и анализа исторических документов
Языки
Турецкий
Размер
10K–100K записей
Скачиваний за месяц
2,4 тыс.
Лайков
17

Как загрузить

from datasets import load_dataset

ds = load_dataset("morfagen/Morfagen_TBMM_Tutanak_pdf")