MLDataScientist/Wikipedia-uzbek-2024-05-01

---
license: apache-2.0
dataset_info:
features:
- name: id
dtype: string
- name: url
dtype: string
- name: title
dtype: string
- name: text
dtype: string
- name: text_len
dtype: int64
splits:
- name: train
num_bytes: 415422789
num_examples: 259716
download_size: 219275784
dataset_size: 415422789
configs:
- config_name: default
data_files:
- split: train
path: data/train-*
task_categories:
- text-generation
- text-classification
language:
- uz
size_categories:
- 100K<n<1M
---

This dataset contains wikipedia dump in the Uzbek language for the date May 2024.

许可证：Apache-2.0
数据集信息：
特征字段：
- id：字符串类型
- url：字符串类型
- title：字符串类型
- text：字符串类型
- text_len：64位整型
数据划分：
- 划分名称：训练集（train），字节占用量：415422789，样本总量：259716
下载大小：219275784 字节
数据集存储大小：415422789 字节
配置项：
- 配置名称：默认配置（default），数据文件配置：
- 对应划分：训练集（train），文件路径：data/train-*
任务类别：
- 文本生成
- 文本分类
使用语言：乌兹别克语（uz）
样本规模区间：10万 < 样本数 < 100万

本数据集收录了2024年5月发布的乌兹别克语维基百科转储文件。

原始信息汇总

数据集概述

数据集基本信息

• 许可证: Apache-2.0

数据集特征

• id: 数据类型为字符串
• url: 数据类型为字符串
• title: 数据类型为字符串
• text: 数据类型为字符串
• text_len: 数据类型为int64

数据集分割

• 训练集:
  • 字节数: 415422789
  • 示例数: 259716

数据集大小

• 下载大小: 219275784
• 数据集大小: 415422789

配置

• 默认配置:
  • 数据文件路径: data/train-*

任务类别

• 文本生成
• 文本分类

语言

• 乌兹别克语 (uz)

大小类别

• 100K<n<1M

搜集汇总

背景与挑战

背景概述

该数据集是一个乌兹别克语维基百科的2024年5月转储，包含约26万行数据，以parquet格式存储，适用于文本生成和文本分类任务。数据集采用Apache 2.0许可证，总大小为219 MB，已被用于训练多个乌兹别克语大语言模型，如Mistral-7B-Instruct-Uz。