malhajar/orca_dpo_pairs-tr

---
language:
- tr
license: mit
size_categories:
- 10M<n<100M
task_categories:
- text-classification
- token-classification
- table-question-answering
- question-answering
- zero-shot-classification
- summarization
- feature-extraction
- text-generation
- text2text-generation
pretty_name: OrcaDPO
dataset_info:
features:
- name: chosen
list:
- name: content
dtype: string
- name: role
dtype: string
- name: rejected
list:
- name: content
dtype: string
- name: role
dtype: string
- name: prompt
dtype: string
splits:
- name: train
num_bytes: 28576871.836713996
num_examples: 9761
- name: test
num_bytes: 3176509.163286004
num_examples: 1085
download_size: 16148886
dataset_size: 31753381.0
configs:
- config_name: default
data_files:
- split: train
path: data/train-*
- split: test
path: data/test-*
---

# Dataset Card for "malhajar/orca_dpo_pairs-tr"

This Dataset is part of a series of datasets aimed at advancing Turkish LLM Developments by establishing rigid Turkish dataset collection to enhance the performance of LLM's Produced in the Turkish Language.
malhajar/orca_dpo_pairs-tr is a translated version of [`HuggingFaceH4/orca_dpo_pairs`]( https://huggingface.co/datasets/HuggingFaceH4/orca_dpo_pairs)

**Translated by:** [`Mohamad Alhajar`](https://www.linkedin.com/in/muhammet-alhajar/)

### Dataset Summary

This is a pre-processed version of the [OpenOrca dataset](https://huggingface.co/datasets/Open-Orca/OpenOrca) translated to Turkish.

The original OpenOrca dataset is a collection of augmented FLAN data that aligns, as best as possible, with the distributions outlined in the [Orca paper](https://arxiv.org/abs/2306.02707).
It has been instrumental in generating high-performing preference-tuned model checkpoints and serves as a valuable resource for all NLP researchers and developers!

# Dataset Summary

The OrcaDPO Pair dataset is a subset of the OpenOrca dataset suitable for DPO preference tuning. The dataset is stored in parquet format with each entry using the following schema:
:

```
{
'prompt': 'Bir cümle oluşturun ve sonra bana bu cümlede yer alan kavramları söyleyin.'
'chosen': [
{
"content": "Her zaman açıklama sağlayan yardımsever bir asistansın. Beş yaşındaki bir çocuğa cevap veriyormuşsun gibi düşün.",
"role": "system"
},
{
"content": "Bir cümle oluşturun ve sonra bana bu cümlede yer alan kavramları söyleyin.",
"role": "user"
},
{
"content": "Cümle: \"Fıstık kedi küçük kahverengi çitin üzerinden atladı.\" Açıklama: Bu cümlede, konuşabileceğimiz birkaç kavram var: 1. Fıstık kedi - okşayabileceğimiz ve kucaklayabileceğimiz yumuşak ve kalın tüylü bir kedi. 2. Atladı - birisi ya da bir şey yerden itilir ve trampolinde atladığımız gibi havada hareket eder! 3. Üzerine - bu, bir kuşun başımızın üstünden uçtuğu gibi bir şeyin üstünden geçmek anlamına gelir. 4. Küçük kahverengi çit - genellikle bir ev ya da parkın etrafında her şeyi güvenli ve yerinde tutmak için inşa edilen kahverengi renkli ahşaptan yapılmış küçük bir duvar.",
"role": "assistant"
}
]
'rejected': [
{
"content": "Her zaman açıklama sağlayan yardımsever bir asistansın. Beş yaşındaki bir çocuğa cevap veriyormuşsun gibi düşün.",
"role": "system"
},
{
"content": "Bir cümle oluşturun ve sonra bana bu cümlede yer alan kavramları söyleyin.",
"role": "user"
},
{
"content": "Elbette! İşte bir cümle: \"Büyük, tüylü kedi kucağımda memnun bir şekilde mırıldandı.\" İşte bu cümlede yer alan kavramlar: 1. Büyük: Bu sıfat kedinin boyutunu tanımlar. 2. Tüylü: Bu sıfat kedinin kürkünün dokusunu tanımlar. 3. Kedi: Bu isim cümlenin ana konusudur. 4. Mırıldan: Bu fiil kedinin çıkardığı sesi tanımlar. 5. Mutlu: Bu fiil kedinin ruh halini tanımlar. Kedi mutlu ve kendini iyi hisseder. 6. Lap: Bu isim kedinin oturduğu yüzeydir. Umarım yardımcı olur! Başka sorunuz var mı?",
"role": "assistant"
}
]
}
```

### Data Splits

The dataset consists of two splits, `"train_prefs"` and `"test_prefs"`:

| train_prefs | test_prefs |
|:-------:|:-----------:|
| 12359 | 500 |

### Usage

To load the dataset, run:

```python
from datasets import load_dataset

ds = load_dataset("malhajar/orca_dpo_pairs-tr")
```

<a name="languages"></a>

# Languages

The language of the data is primarily Turkish.

<a name="dataset-structure"></a>

`# Citation

```bibtex
@misc{OpenOrca,
title = {OpenOrca: An Open Dataset of GPT Augmented FLAN Reasoning Traces},
author = {Wing Lian and Bleys Goodson and Eugene Pentland and Austin Cook and Chanvichet Vong and "Teknium"},
year = {2023},
publisher = {HuggingFace},
journal = {HuggingFace repository},
howpublished = {\url{https://https://huggingface.co/Open-Orca/OpenOrca}},
}
```

原始信息汇总

数据集概述

数据集名称： OrcaDPO Pair dataset

语言： 土耳其语

许可证： MIT

大小分类： 10M<n<100M

任务分类：

• 文本分类
• 令牌分类
• 表格问答
• 问答
• 零样本分类
• 摘要
• 特征提取
• 文本生成
• 文本到文本生成

数据集特征：

• chosen：
  • content： 字符串类型
  • role： 字符串类型
• rejected：
  • content： 字符串类型
  • role： 字符串类型
• prompt： 字符串类型

数据分割：

• 训练集：
  • 字节数： 28576871.836713996
  • 示例数： 9761
• 测试集：
  • 字节数： 3176509.163286004
  • 示例数： 1085

下载大小： 16148886字节

数据集大小： 31753381.0字节

配置：

• 默认配置：
  • 训练数据路径： data/train-*
  • 测试数据路径： data/test-*