datasets
Training and evaluation data, with the modality, task and licence stated up front. Listed live from the Hugging Face Hub.
turkish-gemma-51k
Turkish Chat Dataset - Gemma Format
Bu dataset, Türkçe sohbet ve talimat takip etme görevleri için hazırlanmış 51.914 konuşma örneği içerir.
📊 Dataset Özeti
Dil: Türkçe
Format: Chat/Conversation
Örnek Sayısı: 51,914
Kaynak: afkfatih/turkishdataset
🎯 Kullanım Alanları
Türkçe sohbet botları eğitimi
Instruction-tuning
Fine-tuning LLM modelleri (Gemma, Llama, vb.)
Türkçe doğal dil anlama
📝 Format
Her örnek şu yapıya sahiptir:
[
{
"role":… See the full description on the dataset page: https://huggingface.co/datasets/afkfatih/turkish-gemma-51k.guppylm-turmix-data
GuppyLM TurMix Tokenized Dataset
This dataset contains the highly curated TurMix Turkish corpus, pre-tokenized using the custom GuppyLM 50K ByteLevel BPE Tokenizer.
Not: HuggingFace üzerindeki veri önizleme (Dataset Viewer) özelliği kasten kapatılmıştır (viewer: false). Çünkü bu veri seti, PyTorch eğitimlerinde RAM tasarrufu sağlamak amacıyla doğrudan bellek haritalaması (np.memmap) yapılabilen ham uint16 ikili (binary) formatta (.bin) kaydedilmiştir.
📊 Veri Seti… See the full description on the dataset page: https://huggingface.co/datasets/afkfatih/guppylm-turmix-data.turkish-distilled-5K
Turkish Distilled SFT Dataset
Temizlenmiş, tek turlu ve messages şemasına sahip Türkçe instruction-tuning verisi.
Dataset Summary
Kaynak: data/distilled_train.jsonl
Şema: messages
Toplam temiz örnek: 5957
Train örnek sayısı: 5660
Test örnek sayısı: 297
Bu veri kümesi Unsloth, TRL ve Hugging Face datasets akışlarıyla uyumlu olacak şekilde hazırlanmıştır.
Features
Her satır şu alanları içerir:
id
messages
source
task
language
quality_score
flags… See the full description on the dataset page: https://huggingface.co/datasets/afkfatih/turkish-distilled-5K.turkish-cpt-dataset
Turkish CPT Dataset
A high-quality Turkish + English dataset for Continued Pre-Training (CPT) of language models.
Dataset Summary
Property
Value
Total examples
1,908,378
Total tokens
~2.19B
Turkish ratio
~80%
English ratio
~20%
Languages
Turkish, English
Sources
Source
Language
Examples
Description
wikimedia/wikipedia (tr)
TR
~534K
Turkish Wikipedia
wikimedia/wikipedia (en)
EN
~134K
English Wikipedia (20% replay)… See the full description on the dataset page: https://huggingface.co/datasets/afkfatih/turkish-cpt-dataset.