sh4lu-z/awesome-dataset-sinhala

Mixed Sinhala Dataset (1M+ Rows) | මිශ්‍ර සිංහල දත්ත කට්ටලය

(Please find the English description below the Sinhala description)

🇬🇧 English

This is a comprehensive dataset containing over one million rows of Sinhala text data. It is highly suitable for training Artificial Intelligence (AI) models and conducting Natural Language Processing (NLP) research.

Dataset Details

• —Language: Sinhala (si)

• —Total Rows: 1,079,909

• —Format: Parquet (Optimized for Hugging Face)

• —Source: Mixed text data (.txt)

How to Use

You can easily load this dataset using the datasets library with the following Python code:

from datasets import load_dataset

dataset = load_dataset("sh4lu-z/awesome-dataset-sinhala")
print(dataset['train'][0])

🇱🇰 සිංහල (Sinhala)

මෙය සිංහල භාෂාවෙන් සමන්විත පේළි මිලියනයකට අධික දත්ත කට්ටලයකි (Dataset). මෙය AI මාදිලි (Models) පුහුණු කිරීම සහ ස්වභාවික භාෂා සැකසීමේ (NLP) පර්යේෂණ කටයුතු සඳහා ඉතා සුදුසු වේ.

දත්ත කට්ටලයේ විස්තර (Dataset Details)

• —භාෂාව (Language): සිංහල (Sinhala)
• —මුළු පේළි ගණන (Total Rows): 1,079,909
• —දත්ත ආකෘතිය (Format): Parquet (Hugging Face සඳහා ප්‍රශස්ත කර ඇත)
• —මූලාශ්‍රය (Source): මිශ්‍ර පෙළ දත්ත (Mixed text data - .txt)

භාවිතා කරන ආකාරය (How to Use)

ඔබට මෙම dataset එක datasets library එක භාවිතා කර පහත කේතය මගින් පහසුවෙන් load කරගත හැක:

from datasets import load_dataset

dataset = load_dataset("sh4lu-z/awesome-dataset-sinhala")
print(dataset['train'][0])