Datasetpublic

kerembb123/scienceqa-math-cot

ScienceQA Mathematics CoT Dataset (Turkish) Bu veri seti, görsel içerikli matematik sorularının çözümü için Qwen 2.5 VL ve benzeri çok modlu (multimodal) modellerin ince ayar (fine-tuning) işlemleri için hazırlanmıştır. Orijinal ScienceQA verileri temel alınarak, görsel-metin eşleşmeleri optimize edilmiş ve çözüm yolları (Chain of Thought) yapılandırılmıştır. 📊 Veri Seti Özeti Toplam Satır Sayısı: 16,789 İçerik: Görsel (Image), Soru (Question), Cevap (Answer) ve… See the full description on the dataset page: https://huggingface.co/datasets/kerembb123/scienceqa-math-cot.

sourceHugging Faceapache-2.0updated 2mo agoView on Hugging Face

0likes32downloads

Dataset Card

ScienceQA Mathematics CoT Dataset (Turkish)

Bu veri seti, görsel içerikli matematik sorularının çözümü için Qwen 2.5 VL ve benzeri çok modlu (multimodal) modellerin ince ayar (fine-tuning) işlemleri için hazırlanmıştır. Orijinal ScienceQA verileri temel alınarak, görsel-metin eşleşmeleri optimize edilmiş ve çözüm yolları (Chain of Thought) yapılandırılmıştır.

📊 Veri Seti Özeti

—Toplam Satır Sayısı: 16,789
—İçerik: Görsel (Image), Soru (Question), Cevap (Answer) ve Çözüm Yolu (Solution/CoT).
—Dil: ingilizce
—Format: Hugging Face datasets kütüphanesi ile tam uyumlu.

🚀 Hızlı Başlangıç

Veri setini projenize dahil etmek için aşağıdaki kodu kullanabilirsiniz:

python

from datasets import load_dataset

dataset = load_dataset("kerembb123/scienceqa-math-cot")

# Örnek bir veriyi inceleme
print(dataset['train'][0]['question'])
dataset['train'][0]['image'].show()
## 📂 Veri Yapısı

Bu veri seti, çok modlu (multimodal) modellerin hem görseli anlaması hem de adım adım mantık yürütmesi (Chain of Thought) için yapılandırılmıştır. Her bir örnek aşağıdaki sütunları içerir:

| Sütun Adı | Veri Tipi | Açıklama |
| :--- | :--- | :--- |
| `image` | `image` | Sorunun görsel içeriği (PIL.Image objesi) |
| `question` | `string` | Modelin cevaplaması gereken matematik sorusu metni |
| `answer` | `string` | Sorunun kesin ve kısa doğru cevabı |
| `solution` | `string` | Sorunun adım adım çözüm yolu (CoT - Chain of Thought) |

---

## 🛠️ Hazırlık Notları (Pre-processing)

Veri setinin hazırlanma sürecinde uygulanan kritik adımlar şunlardır:

1. **Görsel-Metin Eşleştirme:** Orijinal ScienceQA `train` ve `validation` parquet dosyalarındaki görseller, özel bir script ile `egitim_seti_CoT.jsonl` dosyasındaki ilgili sorularla ID bazlı olarak eşleştirilmiştir.
2. **CoT (Chain of Thought) Yapılandırma:** Sadece cevaplar değil, modelin akıl yürütme becerisini geliştirmek için `lecture` ve `solution` alanları birleştirilerek temiz bir çözüm yolu sütunu oluşturulmuştur.
3. **Veri Temizliği:** Eksik veriler (null values) ve hatalı görsel eşleşmeleri ayıklanarak 16,789 satırlık kararlı bir yapı kurulmuştur.
4. **Model Uyumluluğu:** Veri seti, **Qwen 2.5 VL** gibi güncel Vision-Language modellerinin eğitim formatına (prompt template) uygun şekilde paketlenmiştir.
5. **Eğitim Önerisi:** Yüksek çözünürlüklü görseller içerdiği için eğitim sırasında **A100 (40GB)** GPU ve **Unsloth** kütüphanesinin kullanılması hız açısından tavsiye edilir.

---