Inicio› Proyectos› data-preparation
data-preparation
Jupyter Notebook

data-preparation

Código utilizado para obtener y limpiar el corpus ROOTS de BigScience

por bigscience-workshop · GitHub
318
Estrellas
43
Ramas
Apache-2.0
Licencia
2022
Creado
3 yr ago
Último commit
dataset
Categoría
Jupyter Notebook
Lenguaje
datasetlarge-language-modelsmultilingualApache-2.0Jupyter Notebook
Ver en GitHub
En palabras simples

Obtén y limpia un gran conjunto de datos para entrenar modelos de lenguaje.

¿Mantienes este proyecto?

Reivindica su pagina: indexada sea cual sea su posicion, traducida a seis idiomas y enriquecida con tus propias palabras.

Reivindicar esta pagina →
data-preparation — GitHub preview card
📈 Historial de estrellas
319318
2026-07-202026-08-31
📈 Sigue data-preparation

Recibe una alerta por correo en su próximo lanzamiento o cuando despegue — no te pierdas nada.

Gratis · sin tarjeta · cancela cuando quieras
Recibir alertas por email →
📄 Acerca de

Código utilizado para obtener y limpiar el corpus ROOTS de BigScience

data-preparation tiene 318 estrellas en GitHub. Se ha bifurcado 43 veces. data-preparation está escrito principalmente en Jupyter Notebook. Se desarrolla activamente desde 2022. data-preparation está disponible bajo la licencia Apache-2.0. Sus temas principales son: dataset, large-language-models, multilingual.

❓ Frequently asked questions

¿Qué es data-preparation?

Código utilizado para obtener y limpiar el corpus ROOTS de BigScience

¿data-preparation es de código abierto?

data-preparation es un proyecto de código abierto. Se distribuye bajo la licencia Apache-2.0.

¿data-preparation es gratis?

Sí. data-preparation es gratuito y de código abierto: puedes usarlo, modificarlo y alojarlo tú mismo.

¿Bajo qué licencia está data-preparation?

data-preparation está disponible bajo la licencia Apache-2.0.

¿En qué lenguaje está escrito data-preparation?

data-preparation está escrito principalmente en Jupyter Notebook.

🏅 ¿Mantenedor de este proyecto?
olud.ai badge — data-preparation

Agrega este distintivo en vivo a tu README — tus estrellas de GitHub y rango en el directorio, actualizados diariamente.

[![olud.ai](https://olud.ai/badge.php?tool=bigscience-workshop-data-preparation)](https://olud.ai/project/bigscience-workshop-data-preparation.html)
Más opciones de distintivos →
🧬 Comparte ADN con🧬 Ver el mapa de ADN →
xiaoniu
小牛视频翻译 es una herramienta de IA que soporta traducción de videos locales, traducción de subtítu…
★ 383 · ai-subtitles
compartemultilingual
VoxCPM
VoxCPM2: TTS sin tokenización para generación de habla multilingüe, diseño de voz creativa y cl…
★ 33.5k · audio
compartemultilingual
vosk
Kit de Herramientas de Reconocimiento de Voz VOSK
★ 501 · lifelong-learning
compartemultilingual
public-apis
Una lista colectiva de APIs gratuitas
★ 473k · api
LaTeX-OCR
pix2tex: Usando un ViT para convertir imágenes de ecuaciones en código LaTeX.
★ 16.5k · dataset
easy-dataset
Una herramienta poderosa para crear conjuntos de datos para el ajuste fino de LLM, RAG y Eval
★ 14.9k · dataset
fashion-mnist
Una base de datos de productos de moda similar a MNIST. Benchmark :point_down:
★ 12.8k · benchmark
doccano
Herramienta de anotación de código abierto para practicantes de aprendizaje automático.
★ 10.7k · annotation-tool
techniques
Técnicas para el aprendizaje profundo con imágenes satelitales y aéreas
★ 10.2k · convolutional-neural-networks
awesome-project-ideas
Lista curada de ideas de proyectos de aprendizaje automático, NLP, visión, sistemas de recomend…
★ 9.2k · awesome

Medido a partir de los topics de GitHub comunes a ambos proyectos, ponderados por su rareza.