Datasetpublic

JulianVelandia/unal-repository-dataset-raw_dataset

Título: Contenido de Tesis del Repositorio UNALDescripción: Este dataset contiene el texto extraído de 1908 tesis descargadas del repositorio de la Universidad Nacional de Colombia. Cada entrada incluye la URI asociada al PDF y su contenido textual procesado. Columnas: URI: Ruta única del PDF en el repositorio UNAL. raw_content: Texto extraído del PDF. Ejemplo: URI raw_content /bitstream/handle/unal/84638/46386566.2023.pdf?sequence=2&isAllowed=y Introducción a los sistemas… See the full description on the dataset page: https://huggingface.co/datasets/JulianVelandia/unal-repository-dataset-raw_dataset.

sourceHugging Faceapache-2.0updated 2y agoView on Hugging Face

0likes27downloads

Dataset Card

Título: Contenido de Tesis del Repositorio UNAL Descripción: Este dataset contiene el texto extraído de 1908 tesis descargadas del repositorio de la Universidad Nacional de Colombia. Cada entrada incluye la URI asociada al PDF y su contenido textual procesado.

Columnas:

—URI: Ruta única del PDF en el repositorio UNAL.
—raw_content: Texto extraído del PDF.

Ejemplo: | URI | raw_content | |--------------------------------------------------|---------------------------------------| | /bitstream/handle/unal/84638/46386566.2023.pdf?sequence=2&isAllowed=y | Introducción a los sistemas de... | | /bitstream/handle/unal/84578/1053812256.2023.pdf?sequence=2&isAllowed=y | Este trabajo presenta un análisis... |

Uso: Este dataset es ideal para tareas de:

1.Procesamiento de lenguaje natural (NLP), como análisis de texto, resúmenes o minería de datos.
2.Búsqueda de información académica a través de contenido textual.
3.Validación de información estructurada, al relacionar contenido extraído con metadatos.

Licencia: Apache 2.0 Autor: Julian Velandia