--- dataset_info: features: - name: question struct: - name: dataset dtype: string - name: id dtype: string - name: full_text dtype: string - name: quotes_0

Hugging Face2024-05-23 更新150

bloyal/small-uniref30

自然语言处理

掩码填充

--- license: cc-by-4.0 dataset_info: features: - name: id dtype: int64 - name: num dtype: int64 - name: text dtype: string splits: - name: train num_bytes: 1067207.07039336

Hugging Face2023-05-04 更新80

Sindhi语言大型语料库

Sindhi语

自然语言处理

本研究为资源匮乏的Sindhi语言开发了一个包含超过6100万单词的大型语料库。该语料库通过网络爬虫从多个网络资源中收集，并经过精心预处理以过滤噪声文本。语料库的创建解决了Sindhi语言在自然语言处理（NLP）领域缺乏大规模未标注语料的问题，为训练神经词嵌入提供了基础。此外，本研究还利用了GloVe、Skip-Gram和Continuous Bag of Words等先进的词2vec算法来生成S

arXiv2020-12-30 更新160

data-uniformity

机器学习

自然语言处理

本文中描述的数据集名为 'data-uniformity'，旨在研究数据均匀性对训练效率和性能的影响。数据集包含通过最大化数据点对之间的距离进行选择的数据，以探索数据均匀性如何加速训练并提高大型语言模型（LLMs）的性能。数据集由约翰霍普金斯大学应用数学与统计系和加州大学伯克利分校电子工程与计算机科学系的研究人员创建，并可在指定的GitHub链接中访问。

arXiv2025-07-01 更新120

Quran English Translation & Tafaseer

资源简介：

相关数据集