Қазақ тіліне арналған датасет

• NLP және LLM: QA, RAG, instruction tuning, NER, машиналық аударма және басқа тапсырмалар
• speech: ASR, TTS, speech translation, emotion recognition
• computer vision, OCR және multimodal тапсырмалар

Әр датасет бойынша көлемі, ауқымы, тапсырмасы, шығарылған жылы және жүктеу сілтемесі көрсетілген. Ал жарияланғанымен, әзірге тәуелсіз тексеру мүмкін болмаған ресурстар бөлек белгіленген.

Мұндай репозиторийлер жұмысты едәуір жеңілдетеді: бірнеше сағат іздеудің орнына қазақ тіліне қатысты қандай деректер барын және оларды зерттеуіңізге не өніміңізге қалай қолдануға болатынын тез түсінесіз.

Тізімде әлі жоқ датасетті білсеңіз, репозиторий contributions үшін ашық: 🔗 https://github.com/Allessyer/awesome-kaz-datasets

Бұл жұмысы үшін Әселге, сондай-ақ оны дамытуға үлес қосқан Alen Issayev алғыс айтамыз!