有没有相关的论文或文献参考？
这个数据集是基于什么背景创建的？
数据集的作者是谁？
能帮我联系到这个数据集的作者吗？
这个数据集如何下载？
ROOTS Corpus|多语言数据集数据集|语言模型训练数据集
收藏arXiv2023-03-07 更新2024-06-21 收录
下载链接：
https://hf.co/bigscience-data
下载链接
链接失效反馈资源简介：
ROOTS Corpus是一个1.6TB的多语言数据集，由国际多学科倡议BigScience研讨会形成，旨在研究和训练大型语言模型。该数据集覆盖59种语言，包括46种自然语言和13种编程语言，用于训练具有1760亿参数的BLOOM语言模型。数据集的创建和整理工作由BigScience负责，旨在通过开放科学和协作，将伦理、危害和治理问题置于前沿。此外，该数据集还发布了一个大型初始子集及其分析，旨在通过数据和处理工具支持大规模单语和多语建模项目，并促进对该大型多语言数据集的研究。
提供机构：
Hugging Face
创建时间：
2023-03-07
数据主题
5,000+
优质数据集
54 个
任务类型
进入经典数据集
热门数据集
中国劳动力动态调查
“中国劳动力动态调查” （China Labor-force Dynamics Survey，简称 CLDS）是“985”三期“中山大学社会科学特色数据库建设”专项内容，CLDS的目的是通过对中国城乡以村/居为追踪范围的家庭、劳动力个体开展每两年一次的动态追踪调查，系统地监测村/居社区的社会结构和家庭、劳动力个体的变化与相互影响，建立劳动力、家庭和社区三个层次上的追踪数据库，从而为进行实证导向的高质量的理论研究和政策研究提供基础数据。
中国学术调查数据资料库 收录
Figshare
Figshare是一个在线数据共享平台，允许研究人员上传和共享各种类型的研究成果，包括数据集、论文、图像、视频等。它旨在促进科学研究的开放性和可重复性。
figshare.com 收录
ICESat-2 Data
ICESat-2 Data 是由美国国家航空航天局（NASA）发布的卫星数据集，主要用于全球冰层和陆地高程的测量。该数据集包括高精度激光测高数据，用于研究冰川、海冰、植被和地形变化。
icesat-2.gsfc.nasa.gov 收录
Tropicos
Tropicos是一个全球植物名称数据库，包含超过130万种植物的名称、分类信息、分布数据、图像和参考文献。该数据库由密苏里植物园维护，旨在为植物学家、生态学家和相关领域的研究人员提供全面的植物信息。
www.tropicos.org 收录
poi
本项目收集国内POI兴趣点，当前版本数据来自于openstreetmap。
github 收录