aiwithvarun7/theekkathir-text-dataset

<h1 align="center"><b>theekkathir-text-dataset <-> தீக்கதிர் தரவுத்தொகுப்பு</b></h1> <p align="center"> <img src="https://github.com/user-attachments/assets/3731edf1-70b9-4e0a-98c1-6b89c4e03395" /> </p>

<a href="https://github.com/vishnumur777/theekkathir-text-dataset/tree/main"> <p align="center"> <img src="https://cdn-uploads.huggingface.co/production/uploads/64d848ce620c17bfa092e051/4ySVV0-jiAT_P3iIde0ei.png" alt="hugging face group" width="500px" height="700px"/> </p> </a>

<h2 align="center">Click above button to view GitHub Repository</h2>

<h3>இலக்கு:</h3>

இந்த திட்டத்தின் இலக்கு தீக்கதிர் இதழின் செய்தி கட்டுரைகளை தரவுத்தொகுப்பாக மாற்றுவதாகும், இது இயற்கை மொழி பதிவு (NLP) மற்றும் LLM ஆராய்ச்சி நோக்கங்களுக்கு பயன்படுத்தப்படலாம்.

<h3>Goal:</h3>

The goal of the project is to convert news articles from theekkathir magazine into dataset, which can be used for Natural Language Processing (NLP) and LLM research purposes

Columns in .parquet

• —வெளியிட்ட தேதி (Released Date)
• —தலைப்பு (Title)
• —செய்தி வகை (Categories)
• —எழுத்தாளர் (Author)
• —மொழி (Language)
• —குறிமுறைத் தரநிலை (Character Encoding)
• —உள்ளடக்கம் (Content)
• —சேகரிக்கப்பட்ட தேதி (Scraped Date)

You can also get texts apart from parquet files.

How to Contribute

If you want to contribute to this project, Contact me via LinkedIn

• —If possible, write CONTRIBUTING.md and make Pull Request here.
• —Able to Read and Write Tamil.
• —Follow Medium, For detailed documentation and I will update on any contribution.
• —Raise issues and PR, if possible.

எவ்வாறு பங்களிக்கலாம்

இந்த திட்டத்திற்கு பங்களிக்க விரும்பினால், LinkedIn மூலம் என்னை தொடர்பு கொள்ளவும்.

• —தமிழ் மொழியை படிக்க, எழுத தெரிய வேண்டும்.
• —சாத்தியமானால், CONTRIBUTING.md எழுதி இங்கு Pull Request செய்யவும்.
• —விரிவான ஆவணங்களுக்காக Medium பின்தொடரவும். நான் எந்தவொரு பங்களிப்பையும் புதுப்பிக்கிறேன்.
• —சாத்தியமானால், பிரச்சினைகளையும் PR (Pull Request) யையும் உயர்த்தவும்.