Indic-LLM-Labs/Wikipedia-Kn

这是一个过滤后的维基百科数据集，仅包含卡纳达语（Kannada）的样本。数据集总共有31437个样本，每个样本包含id、url、title和text四个特征。

原始信息汇总

数据集概述

数据集名称

Wikipedia-Kn

数据集描述

这是一个仅包含卡纳达语样本的维基百科数据集的过滤版本。数据集总共包含31437个样本。

数据集配置

• 配置名称：default
• 数据文件路径：data/train-*

数据集特征

• id：字符串类型
• url：字符串类型
• title：字符串类型
• text：字符串类型

数据集分割

• 训练集（train）：
  • 字节数：402848197
  • 样本数：31437

数据集大小

• 下载大小：147074910
• 数据集大小：402848197

许可证

MIT

任务类别

• 文本生成

语言

• 卡纳达语（kn）

样本大小类别

• 10K<n<100K

数据样本示例

python {id: 832, url: https://kn.wikipedia.org/wiki/%E0%B2%A1%E0%B2%BF.%E0%B2%B5%E0%B2%BF.%E0%B2%97%E0%B3%81%E0%B2%82%E0%B2%A1%E0%B2%AA%E0%B3%8D%E0%B2%AA, title: ಡಿ.ವಿ.ಗುಂಡಪ್ಪ, text: ಡಿ ವಿ ಜಿ(ಮಾರ್ಚ್ ೧೭, ೧೮೮೭ - ಅಕ್ಟೋಬರ್ ೭, ೧೯೭೫) ಎಂಬ ಹೆಸರಿನಿಂದ ಪ್ರಸಿದ್ಧರಾದ ಡಾ. ದೇವನಹಳ್ಳಿ ವೆಂಕಟರಮಣಯ್ಯ ಗುಂಡಪ್ಪನವರು ಕರ್ನಾಟಕದ ಪ್ರಸಿದ್ಧ ಸಾಹಿತಿ, ಪತ್ರಕರ್ತರು. ಹಲವು ಕ್ಷೇತ್ರಗಳಲ್ಲಿ ಸೇವೆ ಸಲ್ಲಿಸಿದ ಇವರು ಕನ್ನಡದ ಆಧುನಿಕ ಸರ್ವಜ್ಞ ಎಂದೇ ಪ್ರಸಿದ್ಧರಾದವರು.

ಬಾಲ್ಯ ಜೀವನ ಡಿ.ವಿ.ಜಿ ಅವರು ೧೮೮೭, ಮಾರ್ಚ್ ೧೭ರಂದು ಕೋಲಾರ ಜಿಲ್ಲೆಯ ಮುಳಬಾಗಿಲು ತಾಲೂಕಿನ ದೇವನಹಳ್ಳಿಯಲ್ಲಿ ಜನಿಸಿದರು.

ವೃತ್ತಿ ಜೀವನ ಪ್ರೌಢಶಾಲೆಯಲ್ಲಿ

ಸಾಹಿತ್ಯ ಕೃಷಿ ದಿವಾನ್ ರಂಗಾಚಾರ್ಯ ಅವರ ಬಗ್ಗೆ ಇಂಗ್ಲಿಷಿನಲ್ಲಿ ಬರೆದ ಲೇಖನ ಡಿ.ವಿ.ಜಿ ಅವರ ಬದುಕಲ್ಲಿ ಹೊಸ ತಿರುವು ಪಡೆಯಿತು. ಮುಂದೆ ಪುಸ್ತಕ ರೂಪಕ್ಕೆ ತರಲು ಹಲವು ಮಾರ್ಪಾಡು ಮಾಡಿದರು. ಇದು ಪ್ರಕಟವಾಗುತ್ತಿದ್ದಂ....." }

使用方法

python from datasets import load_dataset

ds = load_dataset("Indic-LLM-Labs/Wikipedia-Kn")