puschinka/Gugager

🌟 DESTEK & TOPLULUK ÇAĞRISI (SUPPORT & LIKE): Açık kaynak ve ücretsiz olarak sunduğum bu devasa çalışmayı faydalı bulduysanız, projenin sürdürülebilirliğine ve açık kaynak ekosisteminin görünürlüğüne katkı sağlamak için lütfen sayfanın sağ üstündeki Like (❤️ Beğeni) butonuna basarak destek olmayı unutmayın! (If you find this open-source dataset valuable for your research or models, please consider leaving a ❤️ Like at the top-right to support future updates and maintenance).

🇹🇷 Turkish 675K Morphological Word Segmentation Dataset

675.000 Türkçe Kelimenin Kök, Yapım ve Çekim Ekleri Seviyesinde Morfolojik Ayrıştırma Veri Seti

   

📌 1. Veri Seti Hakkında (About Dataset)

Turkish 675K Morphological Word Segmentation Dataset, Türkçe'nin sondan eklemeli (agglutinative) zengin yapısını çözümlemek için hazırlanmış 675.000 adet morfolojik olarak ayrıştırılmış kelime örneği sunar.

Her bir kelime; kök, yapım ekleri ve çekim ekleri seviyesinde morfemlerine ayrılmıştır (kelime \t kök+ek1+ek2+...).

• —Toplam Örnek Sayısı: 675.000 Morfolojik Yapı
• —Format: Tab-separated Düz Metin (.txt / .jsonl)

📊 2. Morfolojik Ayrıştırma Örnekleri (Format & Examples)

🚀 3. Kullanım Alanları (Use Cases)

1. 1.Subword & Tokenizer Eğitimi: Türkçe için BPE, WordPiece veya SentencePiece tokenization sözlüklerinin morfolojik kurallara göre eğitilmesi.
2. 2.Kök-Ek Ayrıştırıcıları (Morphological Parsers): Türkçe kelimelerden doğru kök ve ek tespiti.
3. 3.Morfolojik Embedding Üretimi: Kelimelerin morfolojik yapısına duyarlı vektör temsilleri (Morpheme-aware embeddings).
4. 4.Yazım Denetimi & Düzeltme (Spell Checking): Hatalı ek sıralamalarının tespiti.

💻 4. Hızlı Başlangıç & Kullanım (Quickstart)

Hugging Face datasets kütüphanesi veya pandas ile doğrudan okuyabilirsiniz:

import pandas as pd

# Veriyi doğrudan oku
df = pd.read_csv("hf://datasets/bysismo/Turkish_675k_Morfolojik_Kelime/morfolojik_kelimeler.txt", sep="\t", names=["kelime", "morfem_ayrisimi"])
print(f"Toplam Örnek: {len(df):,}")
print(df.head())

🌐 5. İlgili Türkçe Veri Setleri Ekosistemi (Bysismo Ecosystem)

Türkçe yapay zeka, kodlama ve dil modelleri için geliştirdiğimiz diğer açık kaynaklı dev veri setlerimizi de inceleyebilirsiniz:

📜 6. Lisans, Kullanım Koşulları & Atıf (License & Citation)

### ⚠️ TİCARİ KULLANIM UYARISI: Bu veri seti akademik, araştırma ve açık kaynaklı kişisel projelerde serbestçe kullanılabilir (CC BY-NC 4.0). *Ticari kullanım (commercial use) için yazarın (Hakan Tektakar / bysismo) açık rıza beyanının alınması gerekmektedir.*

Ticari lisanslama, iş birliği ve kurumsal izin talepleri için Hugging Face profili üzerinden veya GitHub aracılığıyla iletişime geçebilirsiniz.

Çalışmalarınızda bu veri setini referans vermek isterseniz:

@misc{bysismo2026turkish675kmorfolojik,
  author = {Tektakar, Hakan (bysismo)},
  title = {Turkish 675K Morphological Word Segmentation Dataset},
  year = {2026},
  license = {CC BY-NC 4.0},
  publisher = {Hugging Face},
  howpublished = {\url{https://huggingface.co/datasets/bysismo/Turkish_675k_Morfolojik_Kelime}}
}

👨‍💻 Geliştirici & İletişim

• —Hazırlayan: Hakan Tektakar (@bysismo)
• —GitHub: bysismo
• —Kaggle: hakanttkar