KALİTE
Mevcut ölçümler
195,2 MnBelgeToplam kayıt sayısı
BekleniyorTokenHenüz hesaplanmadı
351,2 GBBoyutSıkıştırılmış yayın
BekleniyorTürkçe oranıDil tespitinden sonra
BekleniyorTam tekrar
BekleniyorPII göstergesi
KAYNAKLAR
Kaynak dağılımı
HPLT v3 Türkçe159.466.598 belge
%81,7Turkish FineWeb Filtered30.959.237 belge
%15,9DergiPark ham çıkarım773.610 belge
%0,4DergiPark temizlenmiş407.368 belge
%0,2Türkçe Wikipedia1.017.940 belge
%0,5TBMM tutanakları936 belge
<%0,1BOUN Web Corpus975.848 belge
%0,5OPUS OpenSubtitles276.520 belge
%0,1Türkçe YouTube Altyazıları1.337.036 belge
%0,7METODOLOJİ
Süreç
Toplama
Kaynaklardan veri toplanır.
Dil ve kalite
Dil, uzunluk, bozuk içerik ve biçim kontrolleri uygulanır.
Tekilleştirme
Kısmen veya tamamen tekrar eden veriler tekilleştirilir.
Güvenlik
Kişisel veriler veya zararlı ve uygunsuz içerikler incelenir.
Sürümleme
Kalite kontrolden geçen veri seti yayınlanır.
KULLANIM
Erişim ve koşullar
Paylaşılan veri setlerinin kullanımından oluşabilecek sorunlar kullanıcıya aittir, ODTÜ NLP herhangi bir sorumluluk kabul etmez. Veri setleri ve insightlar kötü niyetle veya izin olmadan ticari faaliyet amacıyla kullanılamaz. Lisans, atıf ve kullanım koşulları ilgili veri setiyle birlikte sunulur ve veri setinin kullanılmasıyla birlikte kabul edilmiş sayılır.
Araştırma erişimi iste