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")