Datasets

UK Biobank, 2006 ve 2010 yılları arasında Büyük Britanya genelinde işe alınan 40-69 yaş arası yaklaşık 500.000 gönüllü katılımcının sağlıkla ilgili verilerin...

Common Voice Fr, Mozilla’nın Common Voice girişimi için Fransızca veri kümeleri üretmeye yönelik bir araç projesidir. Otomatik konuşma tanıma uygulamaları iç...

BLOOM, 46 doğal dilde ve 13 programlama dilinde metin üretebilen 176 milyar parametreli açık erişimli çok dilli bir dil modelidir. BigScience projesi aracılı...

Compar:IA, Kültür Bakanlığı bünyesinde geliştirilen ve aynı adı taşıyan platform aracılığıyla toplanan Fransızca insan tercihleri veri kümesidir. Kullanıcıla...

VNHSGE (Vietnamese High School Graduation Examination Dataset for Large Language Models), Vietnam Ulusal Lise Mezuniyet Sınavları ve benzer değerlendirmelerd...

Turkish MMLU, M. Ali Bayram tarafından 2024 yılında oluşturulmuş, Türkçe dilinde 293.468 örnekten oluşan özgün bir veri kümesidir. 67 bölüm ve 800 konuyu kap...

INRAE (Info&Sols) tarafından 2021 yılında yayınlanan ve 1.2 versiyonu mevcut olan bu veri seti, Fransa anakarasındaki toprakların yararlı su rezervuarının bi...

Orinoquía Kamera Tuzakları, Kolombiya'nın Orinoquía bölgesinde Ocak ve Temmuz 2020 tarihleri arasında toplanan 104.782 fotoğraftan oluşan bir kamera tuzağı g...

IndicST, Ola Krutrim tarafından geliştirilen büyük ölçekli bir konuşma veri setidir ve otomatik konuşma tanıma (ASR), otomatik konuşma çevirisi (AST) ve konu...

Bu veri seti, Kasım 2020 ile Mart 2021 arasında Acil Servis aracılığıyla Trillium Health Partners'a kabul edilen ve tümü COVID-19 tanısı almış 509 hasta ziya...

BRATECA (Brezilya Eğitim Hastaneleri Klinik Verileri), PhysioNet platformunda kullanıma sunulan, Brezilya üniversite hastanelerine kabul edilen hastaların kl...

Bu veri seti, Kolombiya'da halk sağlığı analizi için tasarlanmış 12.636 multispektral uydu görüntüsü ile birlikte ilgili tablo verilerini içerir. Açık erişim...

AI Kosh Indic Sentetik Eğitim Veri Setleri, toplamda yaklaşık 12 milyar token içeren 14 sentetik veri setinden oluşmaktadır ve on Hint dilinde dil modellerin...

VAANI, Indian Institute of Science (IISc), Bangalore tarafından geliştirilen, Hindistan’ın 22 eyaletindeki 120 ilçede yaklaşık 110.000 konuşmacıdan toplanmış...

BellaTurca, Türkçe doğal dil işleme modellerinin ön eğitimi için tasarlanmış büyük ölçekli bir veri setidir. turkish-nlp-suite tarafından geliştirilen bu v...

Turkish Math 186K, 186.000 Türkçe matematik problemi ve çözümünden oluşan bir veri setidir. 2024 yılında ituperceptron tarafından oluşturulan bu veri seti, s...

de-nlp-train-set veri kümesi, Almanca Wikipedia'daki metinlere dayalı metin sınıflandırma görevleri için Almanca dilinde bir eğitim koleksiyonudur. 533.842 e...

Compar:IA, farklı dil modelleri (LLM) tarafından üretilen yanıt çiftlerinin körlemesine karşılaştırılmasıyla toplanan 263.625 oydan oluşan Fransızca dilinde...

FLAIR (French Land cover from Aerospace ImageRy), Institut national de l'information géographique et forestière (IGN) tarafından arazi örtüsü sınıflandırması...

es-ultrachat, latam-gpt kuruluşu tarafından geliştirilen ve 2023 yılında yayınlanan, dil modellerine ince ayar yapmak için tasarlanmış İspanyolca bir veri kü...

Türkçe Saldırgan Dil Veri Seti, Twitter'dan derlenen Türkçe metinlerden oluşan ve saldırgan dil ile nefret söylemi tespitine yönelik bir eğitim veri setidir....

German Commons, coral-nlp ekibi tarafından geliştirilen ve yaklaşık 154 milyar token içeren büyük bir Almanca veri seti paketidir. Almanca dilinde büyük dil...

BRAX, 2022 yılında yayımlanan ve PhysioNet’te barındırılan, büyük ölçekli bir Brezilya göğüs röntgeni veri setidir. Radyografik görüntüleri, tablolaştırılmış...

Pirá, okyanus ve iklim bilimine odaklanan, Portekizce ve İngilizce olmak üzere iki dilli bir soru yanıtlama veri kümesidir. Paulo Pirozelli tarafından oluştu...

evol-instruct-portuguese, FreedomIntelligence tarafından 2023 yılında geliştirilen ve Brezilya Portekizcesi dil modellerine ince ayar yapmayı amaçlayan konuş...

ToLD-Br, Ağustos 2019’da toplanan yaklaşık 21.000 tweetten oluşan ve toksik dil tespiti ile çok etiketli sınıflandırma görevleri için tasarlanmış bir Brezily...

Nemotron-Personas-Brezilya, Brezilya'daki gerçek demografik ve coğrafi dağılımlara dayanan, yapay olarak oluşturulmuş yaklaşık 6 milyon kişiden oluşan sentet...

Bagaço, Avrupa Portekizcesi için bir ön eğitim metin veri setidir; yaklaşık 16 milyon doküman ve yaklaşık 9 milyar belirteçten oluşur. FineWeb2’den, .pt alan...

Bu veri seti, XM tarafından Sinergox platformu aracılığıyla yayınlanan Kolombiya'daki Ulusal Elektrik Değişim Fiyatının geçmişini içerir. Kayıtlar saatlik fr...

Bu veri kümesi, Latin Amerika popüler ve sosyal kültürleri hakkında bölgedeki 20 ülkeyi kapsayan 26.000'den fazla İspanyolca Wikipedia makalesinin meta veril...

Pearl, Arap kültürel bağlamlarında büyük dilbilimsel modelleri ayarlamak ve değerlendirmek için tasarlanmış Arapça çok modlu bir veri kümesidir. Katar, Suudi...

NRC-GAMMA, Kanada Ulusal Araştırma Konseyi tarafından 2021 yılında yayınlanan ve otomatik sayaç okumaya odaklanan bilgisayarla görme modellerini eğitmek için...

Bu veri kümesi, FutureBeeAI tarafından oluşturulan ve Yugo platformu üzerinden toplanan; bankacılık, finansal hizmetler ve sigorta (BFSI) sektörünü kapsayan...

OLID-BR (Portekizce Brezilya için Saldırgan Dil Tanımlama Veri Kümesi), 7.943 örnek içeren; YouTube, Twitter ve ilgili mevcut veri kümelerinden toplanarak 13...

Human_vs_AI_Portuguese, Portekizce dilinde insan tarafından yazılmış ve yapay zekâ tarafından üretilmiş içerikleri ayırt edebilen modellerin eğitimini destek...

CORAA, otomatik konuşma tanıma (ASR) sistemlerini eğitmek ve değerlendirmek için tasarlanmış, ölçek olarak büyük bir Brezilya Portekizcesi konuşma veri setid...

Aroeira, Itau-Unibanco tarafından oluşturulmuş, öncelikle dil modellerini ön-eğitmek için tasarlanmış büyük ölçekli bir Portekizce metin veri kümesidir. Yakl...

ClassiCC-PT, Common Crawl web verilerinden türetilmiş, Portekizce dilinde büyük ölçekli bir metin veri setidir; yaklaşık 106 milyon doküman ve yaklaşık 125 m...

ExtraGLUE-Instruct, PORTULAN tarafından 2024 yılında oluşturulan Portekizce dilinde bir yönergeye dayalı ince ayar (instruction-tuning) veri kümesidir. Doğal...

Jabuticaba, 2025 yılında büyük dil modellerini ön eğitmek için yayımlanan, temizlenmiş ve yinelenen içeriklerden arındırılmış 669 GB veriye yayılan 139 milya...

DanNet, Danimarkaca WordNet’tir; adlandırılmış ilişkisel bağlantılar aracılığıyla kelimeleri ve anlamlarını düzenleyen, leksiko-semantik bir ağdır. Danimarka...

Domsdatabasen.dk, 2022'nin başlarında başlatılan kamuya açık domsdatabasen.dk veri tabanından çıkarılan takma isimli Danimarka mahkeme kararlarından oluşan b...

EpaDB, otomatik telaffuz sistemlerinin değerlendirilmesi ve eğitimi için tasarlanmış bir ses ve metin veri kümesidir. 16 kHz'de float32 formatında ses ile 50...

PoliDriving, Ekvador'un Quito şehrinde toplanan ve CUV, van ve sedan olmak üzere üç tip araçta 5 farklı sürücü ile 18 saatlik sürüş sırasında elde edilen yak...

Bu veri kümesi, büyük ölçekli dil modellerinin ön eğitimi için tasarlanmış yüksek kaliteli bir İspanyolca metin koleksiyonudur. Yaklaşık 129 milyon satır içe...

FelipeGuerra tarafından oluşturulan ve 2023 yılında yayınlanan bu veri kümesi, siber zorbalık tespit modellerini eğitmek amacıyla sosyal medya platformlarınd...

COLNER_Ollama, özellikle Kolombiya ile ilgili coğrafi varlıklara (LOC) odaklanarak, adlandırılmış varlık tanıma (NER) modellerinin eğitimi için tasarlanmış İ...

PRISM Hizalama Veri Kümesi, yapay zeka hizalama araştırmalarını, tercih öğrenimini ve büyük dil modellerinin ince ayarını desteklemek için tasarlanmış büyük...