Датасет · tahrirchi
Корпус узбекских книг UzBooks V2 (OCR)
tahrirchi/uz-books-v2
Двуязычный корпус около 40 000 книг на узбекском языке в латинской и кириллической версиях.
Что внутри
Набор включает 38 339 книг в латинской транслитерации и столько же в кириллической версии, полученных с помощью улучшенного движка Google Cloud Vision OCR. Текст собран в виде текстовых данных и разделен на две части в соответствии с алфавитом.
Что можно сделать
- Предобучение языковых моделей для узбекского языка
- Задачи заполнения маски (fill-mask) и генерации текста
- Улучшение систем оптического распознавания текста (OCR)
- Задачи
- Генерация текста, Заполнение пропусков
- Языки
- uz
- Размер
- 10K–100K записей
- Скачиваний за месяц
- 944
- Лайков
- 7
Модели, обученные на нём
Как загрузить
from datasets import load_dataset
ds = load_dataset("tahrirchi/uz-books-v2")