datasets
Training and evaluation data, with the modality, task and licence stated up front. Listed live from the Hugging Face Hub.
turkish-court-decisions
Türk İçtihat Korpusu — 11.045.085 Mahkeme Kararı
Türkiye'nin kamuya açık mahkeme kararlarından derlenmiş, bilinen en büyük Türkçe
hukuk metni veri seti. 11.045.085 karar, 31.5 milyar karakter düz metin (5.50 GB Parquet),
1962'den 2026'ya. Yargıtay, Danıştay, Anayasa Mahkemesi ve UYAP Emsal üzerinden
yerel/istinaf mahkemeleri.
Kapsam
Kaynak
Karar sayısı
Yıl aralığı
Metin
Dosya
Yargıtay (yargitay)
9.820.145
1997–2026
19.5 milyar karakter
17
Danıştay… See the full description on the dataset page: https://huggingface.co/datasets/mrfg/turkish-court-decisions.turkish-corpus-100b
Turkish Corpus 100B (TC-100B)
Dataset Summary
The Turkish Corpus 100B (TC-100B) is a massive-scale, deduplicated, and cleaned dataset designed for training Foundation Models in Turkish. Comprising approximately 105 Billion tokens (measured with Qwen/Llama3 tokenizer), it represents one of the largest open resources for Turkish LLM pretraining.
The dataset is engineered for a two-stage training pipeline:
Pretrain Subset (~103B Tokens): A diverse mix of… See the full description on the dataset page: https://huggingface.co/datasets/hasankursun/turkish-corpus-100b.Turkish-SFT-Dataset-v1.0
Turkish-SFT-Dataset-v1.01
Repo: AlicanKiraz0/Turkish-SFT-Dataset-v1.0Sürüm: v1.01Lisans: MITBiçim: jsonl (kolonlar: system, user, assistant)Boyut: ~5500 satır ve satır başına 3.000–4.500 token/satır (≈ 20M+ token)Dil: Türkçe (tr)Görevler: talimat izleme, SFT, muhakeme, güvenli ret, uzun-bağlam ve araç kullanım bilinci
🔎 Özet
Bu veri kümesi, Türkçe Denetimli İnce Ayar (SFT) için tasarlanmış, yüksek kaliteli ve uzun çıktılar içeren örneklerden oluşur. İçerik 12 ana… See the full description on the dataset page: https://huggingface.co/datasets/AlicanKiraz0/Turkish-SFT-Dataset-v1.0.turkish_parliamentary_data
Grand National Assembly Corpus of Türkiye (GNACT)
A comprehensive collection of Turkish parliamentary transcripts spanning over 100 years (1920–present), from 10 legislative bodies. Includes both Ottoman Turkish (1920–1928) and Modern Turkish (1928–present) texts.
Loading the dataset
from datasets import load_dataset
# Strategy 1: full session documents, all bodies (default)
ds = load_dataset("boun-tabilab/turkish_parliamentary_data", "full_sessions", split="train")
#… See the full description on the dataset page: https://huggingface.co/datasets/boun-tabilab/turkish_parliamentary_data.TurkishMMLU
TurkishMMLU
This repository contains Code and Data Analysis of TurkishMMLU for ACL 24 SIGTURK Workshop. TurkishMMLU is a multiple-choice dataset for Turkish Natural Language Processing (NLP) community based on Turkish Highschool Curricula for nine subjects.
To access this dataset please send an email to:
arda.yueksel@tum.de or akoksal@cis.lmu.de.
Abstract
Multiple choice question answering tasks evaluate the reasoning, comprehension, and mathematical abilities of… See the full description on the dataset page: https://huggingface.co/datasets/AYueksel/TurkishMMLU.turkish-court-decisions
Türk İçtihat Korpusu — 11.045.085 Mahkeme Kararı
Türkiye'nin kamuya açık mahkeme kararlarından derlenmiş, bilinen en büyük Türkçe
hukuk metni veri seti. 11.045.085 karar, 31.5 milyar karakter düz metin (5.50 GB Parquet),
1962'den 2026'ya. Yargıtay, Danıştay, Anayasa Mahkemesi ve UYAP Emsal üzerinden
yerel/istinaf mahkemeleri.
Kapsam
Kaynak
Karar sayısı
Yıl aralığı
Metin
Dosya
Yargıtay (yargitay)
9.820.145
1997–2026
19.5 milyar karakter
17
Danıştay… See the full description on the dataset page: https://huggingface.co/datasets/Alptekinege/turkish-court-decisions.turkish-court-decisions
Türk İçtihat Korpusu — 11.045.085 Mahkeme Kararı
Türkiye'nin kamuya açık mahkeme kararlarından derlenmiş, bilinen en büyük Türkçe
hukuk metni veri seti. 11.045.085 karar, 31.5 milyar karakter düz metin (5.50 GB Parquet),
1962'den 2026'ya. Yargıtay, Danıştay, Anayasa Mahkemesi ve UYAP Emsal üzerinden
yerel/istinaf mahkemeleri.
Kapsam
Kaynak
Karar sayısı
Yıl aralığı
Metin
Dosya
Yargıtay (yargitay)
9.820.145
1997–2026
19.5 milyar karakter
17
Danıştay… See the full description on the dataset page: https://huggingface.co/datasets/Gyrevortex/turkish-court-decisions.turkish-court-decisions-duplicate
Türk İçtihat Korpusu — 11.045.085 Mahkeme Kararı
Türkiye'nin kamuya açık mahkeme kararlarından derlenmiş, bilinen en büyük Türkçe
hukuk metni veri seti. 11.045.085 karar, 31.5 milyar karakter düz metin (5.50 GB Parquet),
1962'den 2026'ya. Yargıtay, Danıştay, Anayasa Mahkemesi ve UYAP Emsal üzerinden
yerel/istinaf mahkemeleri.
Kapsam
Kaynak
Karar sayısı
Yıl aralığı
Metin
Dosya
Yargıtay (yargitay)
9.820.145
1997–2026
19.5 milyar karakter
17
Danıştay… See the full description on the dataset page: https://huggingface.co/datasets/serdarsrts/turkish-court-decisions-duplicate.Flutter-Code-with-Questions-Dataset-Turkish
Flutter Code with Questions Dataset (Turkish)
📦 Dataset Name: flutter_code_with_questions
Bu veri seti, Flutter framework'ü ile yazılmış kod parçacıkları ve her bir kod parçası için özel olarak üretilmiş detaylı Türkçe soruları içermektedir. Veri seti, kodların eğitim verisi olarak kullanılmasının yanı sıra, LLM (Large Language Model) tabanlı kod anlama ve soru yanıtlama modellerinin geliştirilmesinde kullanılabilir.
📁 Dataset Format
Veri dosyaları CSV… See the full description on the dataset page: https://huggingface.co/datasets/NoirZangetsu/Flutter-Code-with-Questions-Dataset-Turkish.InstrucTurca
InstrucTurca v1.0.0 is a diverse synthetic instruction tuning dataset crafted for instruction-tuning Turkish LLMs. The data is compiled data various English datasets and sources, such as code instructions, poems, summarized texts, medical texts, and more.
Dataset content
BI55/MedText
checkai/instruction-poems
garage-bAInd/Open-Platypus
Locutusque/ColumnedChatCombined
nampdn-ai/tiny-codes
Open-Orca/OpenOrca
pubmed_qa
TIGER-Lab/MathInstruct… See the full description on the dataset page: https://huggingface.co/datasets/turkish-nlp-suite/InstrucTurca.turkish-extractive-qa-1.5m
Turkish Extractive QA 1.5M v2
Cevap metni ve başlangıç konumu doğrulanabilir Türkçe çıkarımsal soru-cevap kayıtları.
Doğrulanmış boyut
Train: 1,470,000
Validation: 15,000
Test: 15,000
Toplam: 1,500,000
Ana görev sütunları: id, context, question, answer, answer_start, question_type
Provenance
Veri insan mesajlarından, belgelerinden veya web kazımasından alınmamıştır. Tamamı
depodaki üretici koduyla deterministik olarak oluşturulur. Her satırda… See the full description on the dataset page: https://huggingface.co/datasets/GoktugD/turkish-extractive-qa-1.5m.Bilge-Turkish-CoT-50K
Bilge: Turkish Chain-of-Thought Dataset (50K)
50,000 örneklik Türkçe Chain-of-Thought (CoT) reasoning fine-tuning veri seti.
Bilge, Türkçe büyük dil modellerinin adım adım düşünme (reasoning) kapasitesini
geliştirmek amacıyla hazırlanmış bir Chain-of-Thought veri setidir.
Veri setindeki her örnek, modelin önce <think> blokları içinde görünür bir
muhakeme süreci yürütmesini, ardından kullanıcıya yapılandırılmış ve detaylı
bir cevap vermesini öğretmek üzere tasarlanmıştır.
Bu… See the full description on the dataset page: https://huggingface.co/datasets/bugrabilge/Bilge-Turkish-CoT-50K.turkish-law-corpus
⚖️ Turkish Law — 106 Kanun Korpusu & Soru-Cevap106 Statutes Corpus & QA
🇹🇷 Türk hukukunun en çok kullanılan 106 kanunu, madde madde temizlenmiş 16.001 metin parçası ve bu maddelere dayalı 5.011 Türkçe soru-cevap çifti. Tamamı resmî kaynaktan (mevzuat.gov.tr), RAG ve yapay zekâ uygulamaları için hazır.
🇬🇧 The 106 most widely used Turkish statutes as 16,001 clean, article-level text chunks, plus 5,011 Turkish question-answer pairs grounded in those articles. All from the… See the full description on the dataset page: https://huggingface.co/datasets/CtnkyaABC/turkish-law-corpus.turkish-medicine-law
turkish-medicine-law
Bu veri seti, Türkçe tıp ve sağlık hukuku alanında hazırlanmıştır. Türkçe hukuk alanında genel amaçlı birkaç kaynak bulunuyor, ama tıp hukuku özelinde hazırlanmış bir veri seti şimdiye kadar yoktu. Bu proje o boşluğu doldurmayı amaçlıyor.
Veri setindeki örnekler hukukçular, bilirkişiler ve sağlık kuruluşlarının hukuk birimleri için hazırlandı. Hastaya veya hekime doğrudan hukuki görüş sunmak amacıyla kullanılmak üzere tasarlanmadı. Buradaki çıktılar bir ön… See the full description on the dataset page: https://huggingface.co/datasets/tunahanf/turkish-medicine-law.PD12M-TurkishTranslated from English to Tuskish language from: https://huggingface.co/datasets/Spawning/PD12M
One of the biggest text-to-image dataset in Turkish language
Metadata
The metadata is made available through a series of parquet files with the following schema:
text: Translated caption for the image.
id: A unique identifier for the image.
url: The URL of the image.
caption: A caption for the image.
width: The width of the image in pixels.
height: The height of the image in pixels.… See the full description on the dataset page: https://huggingface.co/datasets/umarigan/PD12M-Turkish.turkish-medical-rag
🩺 Turkish Medical RAG
Hierarchical Parent–Child Retrieval-Augmented Generation for Turkish Medical Documents
📌 Proje Hakkında
Bu proje, Türkçe tıbbi dokümanlar üzerinde çalışan uçtan uca bir
Retrieval-Augmented Generation (RAG) sistemi geliştirmek amacıyla hazırlanmıştır.
Sistem bir kullanıcı sorusu aldığında önce doküman koleksiyonundaki küçük ve
anlamsal olarak odaklı parçalar (child chunks)… See the full description on the dataset page: https://huggingface.co/datasets/sedayzc/turkish-medical-rag.turkish-competition-authority-decisions
Turkish Competition Authority Decisions (Rekabet Kurulu Kararları), 1997–2026
The complete published decision history of the Turkish Competition Authority
(Rekabet Kurumu) — every Competition Board decision the regulator has made public,
in full text, with derived structural metadata.
10,367 decisions · 113,297 pages · 323 million characters · 29 years
Every decision carries its outcome, the articles of Law 4054 it turns on, the
panel that decided it (as stable pseudonymous ids… See the full description on the dataset page: https://huggingface.co/datasets/emirms/turkish-competition-authority-decisions.turkish_cyber_security_controls_benchmark
Turkish Cyber Security Controls Benchmark
Türkçe siber güvenlik kontrol seçimi ve kontrol denetimi yeteneğini ölçmek için
hazırlanmış, senaryo tabanlı çoktan seçmeli değerlendirme kümesidir.
v0.1.0, uzman incelemesine açık ilk sürümdür ve NIST SP 800-53 Rev. 5,
Release 5.2.0 kontrol kataloğunu hedefler.
Kapsam
100 Türkçe senaryo
NIST SP 800-53'ün 20 kontrol ailesinin her birinden 5 soru
64 kontrol seçimi sorusu
17 denetim kanıtı sorusu
19 denetim yargısı sorusu… See the full description on the dataset page: https://huggingface.co/datasets/logicBombExe/turkish_cyber_security_controls_benchmark.Turkish-Finance-SFT-Dataset
🇹🇷 Turkish Finance SFT Dataset
Türkçe Finans Alanına Özel Supervised Fine-Tuning (SFT) Dataseti
📋 Dataset Özeti
Bu dataset, Türkçe finans asistanı LLM'lerin eğitimi için özel olarak tasarlanmış, kapsamlı bir Supervised Fine-Tuning (SFT) veri setidir. Kripto para, borsa, teknik analiz, temel analiz, risk yönetimi ve finansal regülasyonlar dahil olmak üzere geniş bir yelpazede yaklaşık 10 milyon token boyutunda soru-cevap çifti verisi içermektedir.
Dataset, hem… See the full description on the dataset page: https://huggingface.co/datasets/AlicanKiraz0/Turkish-Finance-SFT-Dataset.turkish-qa-multi-dialog-dataset
Turkish QA & Multi-Dialog Dataset
Bu depo, iki farklı Türkçe veri kaynağının birleştirilmiş ve temizlenmiş sürümünü içerir:
Yaklaşık 19.000 adet soru-cevap (QA) örneği
Çok adımlı, doğal Türkçe sohbetlerden oluşan diyalog verileri
Bu dataset, hem genel amaçlı Türkçe QA modelleri hem de sohbet/chatbot modelleri için uygundur.
Veri İçeriği
QA Bölümü (~19K)
SQuAD benzeri yapıdan dönüştürülmüş input–output örnekleri
Her satır: tek bir soru ve net bir cevap… See the full description on the dataset page: https://huggingface.co/datasets/sixfingerdev/turkish-qa-multi-dialog-dataset.Turkish-CoT-Instruct-Dataset
🇹🇷 Turkish CoT Instruct Dataset
Türkçe Düşünme Zinciri (Chain-of-Thought) İçeren Talimat Veri Seti
Bu veri seti, modellerin Türkçe adım adım akıl yürütme (reasoning) yeteneğini
geliştirmek için hazırlanmıştır. Her örnekte model, cevabı vermeden önce
<think> ... </think> etiketleri arasında tamamen Türkçe olarak adım adım
düşünür, ardından ayrıntılı bir nihai cevap sunar (DeepSeek-R1 tarzı biçim).
Örnek sayısı: 4.868
Dil: Türkçe
Biçim: Sohbet (messages) — system / user /… See the full description on the dataset page: https://huggingface.co/datasets/AlicanKiraz0/Turkish-CoT-Instruct-Dataset.turkish_medical_reasoning
Türkçe Medikal Reasoning Veri Seti
Bu veri seti FreedomIntelligence/medical-o1-verifiable-problem veri setinin Türkçeye çevirilmiş bir alt kümesidir.
Çevirdiğimiz veri seti 7,208 satır içermektedir. Veri setinde bulunan sütunlar aşağıda açıklanmıştır:
question: Medikal soruların bulunduğu sütun.
answer_content: DeepSeek-R1 modeli tarafından oluşturulmuş İngilizce yanıtların Türkçeye çevrilmiş hali.*
reasoning_content: DeepSeek-R1 modeli tarafından oluşturulmuş İngilizce akıl… See the full description on the dataset page: https://huggingface.co/datasets/ituperceptron/turkish_medical_reasoning.turkish-instruct-reasoning-dpo-3.4m
🇹🇷 Turkish Instruct · Reasoning · DPO — ~3.4M
The largest open native-Turkish instruction-tuning suite: SFT + chain-of-thought reasoning + DPO preferences, with an independently verified reasoning tier and a unique Turkey-grounded slice.
En büyük açık native Türkçe talimat-eğitim seti: SFT + adım-adım muhakeme (CoT) + DPO tercih çiftleri; bağımsız doğrulanmış muhakeme katmanı ve Türkiye-temelli özgün dilim içerir.
📦 Examples
~3.44M ( SFT 3.26M · DPO 181k )… See the full description on the dataset page: https://huggingface.co/datasets/erenfazlioglu/turkish-instruct-reasoning-dpo-3.4m.Bilge-Turkish-CoT-50K
Bilge: Turkish Chain-of-Thought Dataset (50K)
50,000 örneklik Türkçe Chain-of-Thought (CoT) reasoning fine-tuning veri seti.
Bilge, Türkçe büyük dil modellerinin adım adım düşünme (reasoning) kapasitesini
geliştirmek amacıyla hazırlanmış bir Chain-of-Thought veri setidir.
Veri setindeki her örnek, modelin önce <think> blokları içinde görünür bir
muhakeme süreci yürütmesini, ardından kullanıcıya yapılandırılmış ve detaylı
bir cevap vermesini öğretmek üzere tasarlanmıştır.
Bu… See the full description on the dataset page: https://huggingface.co/datasets/alibayram/Bilge-Turkish-CoT-50K.Turkish-instruction-3m_Soru_Cevap
🌟 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).
🇹🇷… See the full description on the dataset page: https://huggingface.co/datasets/bysismo/Turkish-instruction-3m_Soru_Cevap.ThinkingData-200K-Turkish
Dataset Card for ThinkingData-200K-Turkish
Language: Turkish
Dataset Description
This repository contains a dataset for Turkish version of the Deepseek 1.5B model. The translation was performed using the Google translation model to ensure high-quality, accurate translation.
Dataset Details
Size: ≈205K
Translation tool: Google Translate
Data format: Prompt, Think, Response
TARA_Turkish_LLM_Benchmark
TARA: Turkish Advanced Reasoning Assessment Veri Seti
*Img Credit: Open AI ChatGPT
**English version is given below.**
Evaluation Notebook / Değerlendirme Not Defteri
Dataset Summary
TARA (Turkish Advanced Reasoning Assessment), Türkçe dilindeki Büyük Dil Modellerinin (LLM'ler) gelişmiş akıl yürütme yeteneklerini çoklu alanlarda ölçmek için tasarlanmış, zorluk derecesine göre sınıflandırılmış bir benchmark veri setidir. Bu veri seti, LLM'lerin sadece bilgi… See the full description on the dataset page: https://huggingface.co/datasets/emre/TARA_Turkish_LLM_Benchmark.turkish_law_qa_dataset
Not: Bu veri seti orijinal olarak OrionCAF tarafından geliştirilmiş olup, VeriPazarı tarafından Türk AI ekosistemi için arşivlenmiştir.
🔗 Orijinal Kaynak: OrionCAF/turkish_law_qa_dataset
🔗 Derleyen Platform: VeriPazarı
📚 Türkçe Hukuk Soru-Cevap Veri Seti (Turkish Law QA Dataset)
Turkish Law QA Dataset, Türk hukuku üzerine odaklanmış, çeşitli hukuki metinlerden, içtihatlardan ve mevzuatlardan titizlikle derlenmiş 18.300+ soru-cevap çiftinden oluşan kapsamlı bir veri setidir.… See the full description on the dataset page: https://huggingface.co/datasets/Taklaxbr/turkish_law_qa_dataset.turkish-law-chatbot
MindLaw için Hukuk Veri Seti
Bu veri seti, MindLaw modelinin eğitimi için oluşturulmuş olup, Türkçe hukuk alanına özgü metinlerden derlenmiştir. Veri seti, anayasanın sunduğu içeriklerden ve anayasayı açıklayan hukuki metinlerden oluşmaktadır. Ayrıca, bireylerin avukatlara sıkça yönlendirebilecekleri sorular formatında düzenlenmiş hukuki sorular ve cevapları da içermektedir.
Veri Seti İçeriği
Anayasa Metinleri: Türkiye Cumhuriyeti Anayasası'nın çeşitli maddeleri ve… See the full description on the dataset page: https://huggingface.co/datasets/Renicames/turkish-law-chatbot.turkish-reasoning-data
Turkish Reasoning Data
A large-scale synthetic Turkish logic-puzzle dataset designed for pretraining and
fine-tuning language models on structured reasoning tasks.
Dataset Summary
Property
Value
Language
Turkish (tr)
Format
Parquet (HuggingFace Datasets compatible)
Approximate tokens
~100 million
Number of examples
~720,000
Split
train only
License
CC BY 4.0
Load with datasets
from datasets import load_dataset
ds =… See the full description on the dataset page: https://huggingface.co/datasets/DevHunterAI/turkish-reasoning-data.