COLNER_Ollama
Categori yi
Tëem yi
COLNER_Ollama waa një dataset në gjuhës spanjolle i dizaynë për detyrat e njohjes së entiteteve me emër (NER), në mënyrë të veçantë i fokusuar te entitetet e vendndodhjes (LOC) në një kontekst gjeografik të Kolombisë. E krijuar nga bsoviedo waana e mbërritur në Hugging Face, li ka rreth 2,000 rreshta të ndara në setet e trajnimit (1,600 rreshta), validimit (200 rreshta) dhe testit (200 rreshta).
Dataset-ka ruhet në format Parquet, waana i menduar për trajnimin e modeleve NER që mund të identifikojnë e të klasifikojnë emrat e vendeve në tekst spanjoll. Është veçanërisht i rëndësishëm për hulumtuesit dhe zhvilluesit që punojnë në aplikacione të NLP-së që synojnë përmbajtje gjeografike të Kolombisë ose më gjerë në Amerikën Latine.
Jëfandikoo ak Xam-xam
COLNER_Ollama waa njëkkat bu amul jëfandikoo teggal ci Hugging Face, tëral ci bsoviedo, ak ndimbal bu am solo ci wàllu jëfandikoo ci wàll bi (NER) ci yeneen Español. Dëgg-dëgg bi amul ci ndimbal bu jëfandikoo ci wàllu jëfandikoo ci jëfandikoo geografik, ak ndimbal bu bëgg bu am ci mag biñu Colômbia, ak tànk biñu am ci ndimbal ci wàllu jëfandikoo ci baaxal. Wóorul siiwal bu gën a jëfandikoo NER model bu am ci wàllu Español, bu am ci entitey bu wàcc ci ndimbal ci wàllu jëfandikoo ci liiñu. Dëgg-dëgg bi wóorul ci njëkkat bu amul ci jëfandikoo, bu am ci resous bu jëfandikoo ci geografik ci Colômbia ak Latin America ci NLP.
Dataset bi am ci fòmat Parquet, bu am ci xam-xam bu jëfandikoo ci data bu wër gu am ci kolon, bu am nañu ci jëfandikoo data bu wax ci kër gi ci pipeline bu machine learning. Ci biir 2,000 rang bu bëgg-bëgg, lii amul nañu njëkkat bu ko wóor, bu am nañu struktur bu wér, bu jëfandikoo ci tès bu supervised learning.
Struktur bu Dataset ak Sàkk-sàkk bu wér
COLNER_Ollama wóor na ci sedd biñu standard bu sedd splits, bu gën a jëfandikoo ci model development ak evaluation:
- Training set: ci biir 1,600 rang
- Validation set: 200 rang
- Test set: 200 rang
Dataset bi jëfandikoo na ci jëfandikoo entitey bu amul solo, LOC (location), bu mujj ci ndimbal biñu ci entitey bu wàcc ci mag biñu geografik. Wàll biñu am ci Español, bu bëgg nañu a wër ci NLP system bu kër ci ndimbal ci yeneen Español, gaaru ci Colômbia. Modali-te bi amul solo ci wàll, te dataset bi ndimbal bu wër bi am ci training model, ba pare ci evaluation benchmarking walla ci xam-xam linguistique.
Use Cases ak Aplikasion
COLNER_Ollama am nañu ndimbal ci waxal bu NLP bu jëfandikoo, bu kër nañu a jëfandikoo mag biñu geografik ci wàll Español. Use cases bu suñu gën a jëfandikoo:
- Training walla fine-tuning NER model ci kontni geografik bu Colômbia
- Jëfandikoo pipeline bu location extraction ci dokument bu wàll Español, news, walla dosye administrativ
- Jëfandikoo tool bu geospatial analysis bu kër nañu data bu am ci mag bu wër ci wàll bu amul struktur
- Jëfandikoo ci njëkkat bu ndimbal ci domain bi, bu wàcc ci dataset NER bu Español bu amul solo, bu amul nañu ndimbal bu wér
Maana bu dataset bi am ndimbal ci geografik bu Colômbia, li gën nañu a waxtaan bu bëgg ci aplikasion bu wàcc ci administration publique bu Colômbia, journalism, logistique, walla proyèk bu xelal ci ndimbal bu région, bu kër nañu a wër ci mag biñu place names ci level bu lokal walla ci level bu national.
Ndimbal bu Wóor ci Jëfandikoo
Biñu research ak biñu practitioner bu kër a jëfandikoo COLNER_Ollama, gën nañu a xam ndimbal ak limit bi. Ci biir 2,000 rang ak entitey bu amul solo, dataset bi amul ndimbal bu ko wóor, bu wër nañu ci fine-tuning bu spesifik, ba pare ci training NER bu amul coverage bu wér. Njàngat bi wér nañu bu am ci jëfandikoo ci dataset bu wér bu am ci yeneen multilingual walla NER corpora ci Español, walla ma use case bu suñu kër bi kër nañu sensitivity ci terminoloji geografik bu Colômbia. Fòmat Parquet bu dataset bi am nañu compatibility bu wër ci libreri bu data processing bu jëfandikoo ci biir Pandas ak Apache Arrow, ak frameworks bu tankou Hugging Face Datasets, bu bëgg nañu a wër ci integration ci pipeline bu machine learning bu amul denc.