Datasets
Dataset
oscar-small
by nthngdy
The Open Super-large Crawled ALMAnaCH coRpus is a huge multilingual corpus obtained by language classification and filtering of the Common Crawl corpus using the goclassy architecture.
CC0-1.0text-generation 1312 1710M < n < 100M rows
published 23 Mar 2022
Preview
First 5 rows of unshuffled_deduplicated_or / train, from the Hugging Face dataset viewer.
| id | text |
|---|---|
| 0 | ଭୁବନେଶ୍ୱର, ୨୭/୧– (ଓଡ଼ିଆ ପୁଅ) ସିପିଆଇ ଜାତୀୟ ପରିଷଦର ଆହ୍ୱାନକ୍ରମେ ଗତକାଲି ଜାନୁୟାରୀ ୨୬ ସାଧାରଣତନ୍ତ୍ର ଦିବସକୁ ଦେଶ ବ୍ୟାପୀ ସମ୍ବିଧାନ ସୁରକ୍ଷା ଦିବସ ରୂପେ ପାଳନ କରାଯାଇଛି। |
| 1 | ଏହି ଉପଲକ୍ଷେ ସିପିଆଇର ରାଜ୍ୟ ଦପ୍ତର ଭଗବତୀ ଭବନଠାରେ ରାଜ୍ୟ ସମ୍ପାଦକ ଦିବାକର ନାୟକଙ୍କ ଦ୍ୱାରା ଜାତୀୟ ପତାକା ଉତ୍ତୋଳନ କରାଯିବା ପରେ ସିପିଆଇ ଓ ବିକେଏମ୍ୟୁ ପକ୍ଷରୁ ଏକ ଶୋଭାଯାତ୍ରା ବାହାରିଥିଲା। ଶୋଭାଯାତ୍ରାକାରୀମାନେ ରାଜମହଲ ଛକ ଅତିକ୍ରମ କରି ଏଜି ଛକଠାରେ ଥିବା ଭାରତୀୟ ସମ୍ବିଧାନର ପ୍ରଣେତା ବାବା ସାହେବ ଭୀମରାଓ ଆମ୍ବେଦକରଙ୍କ ପ୍ରତିମୂର୍ତ୍ତିରେ ପୁଷ୍ପ… |
| 2 | ଏହାପରେ ସେଠାରେ ବିକେଏମ୍ୟୁ ରାଜ୍ୟ ସମ୍ପାଦକ ସୁର ଜେନାଙ୍କ ସଭାପତିତ୍ୱରେ ଅନୁଷ୍ଠିତ ସମାରୋହରେ ସିପିଆଇର ରାଜ୍ୟ ସମ୍ପାଦକ ଦିବାକର ନାୟକ, ସହସମ୍ପାଦକ ଆଶିଷ କାନୁନ୍ଗୋ, ଜାତୀୟ ପରିଷଦ ସଭ୍ୟ ରାମକୃଷ୍ଣ ପଣ୍ଡା ଓ ରାଜ୍ୟ ସମ୍ପାଦକ ମଣ୍ଡଳୀ ସଭ୍ୟ କ୍ଷୀରୋଦ ସିଂହଦେଓ ଉଦବୋଧନ ଦେଇ ମୋଦିଙ୍କ ନେତୃତ୍ୱରେ ପରିଚାଳିତ ବିଜେପି ସରକାରର ଛତ୍ରଛାୟା ତଳେ ସଂଘ ପରିବାର ନେତୃତ୍ୱ… |
| 3 | ଅନ୍ୟମାନଙ୍କ ମଧ୍ୟରେ ସିପିଆଇ ଖୋର୍ଦ୍ଧା ଜିଲ୍ଲା ସହସମ୍ପାଦକ ସତୀଶ ମିଶ୍ର, ଭୁବନେଶ୍ୱର ଜୋନ୍ ସହସମ୍ପାଦକ କୈଳାସ ଚନ୍ଦ୍ର ପୁହାଣ, ଯୁବସଂଘ ନେତା ନାରାୟଣ ଡାଳୁଆ ଓ ସିପିଆଇର ଛେତମ୍ବର ଭୋଇ, ଲୋକନାଥ ଭୋଇ, ବାସନ୍ତୀ ପ୍ରଧାନ, ରୀତା ସେଠୀ ଓ ପୂଜା ମିଶ୍ର ପ୍ରମୁଖ ଶୋଭାଯାତ୍ରାର ନେତୃତ୍ୱ ନେଇଥିଲେ। |
| 4 | ଦୁନିଆରେ ଅନେକ କିସମର ଲୋକ ଅଛନ୍ତି ତାରି ଭିତରୁ ଏମିତି ମଣିଷ ବି ଅଛନ୍ତି ସେଇ କଥା ପ୍ରଶାନ୍ତକୁ କୁ ନ ଦେଖିଲେ କିଏ ବିଶ୍ୱାସ ବି କରନ୍ତେ ବା କାହିଁକି ଯେ ତା ପରିକା ମଣିଷ ଏ ସହରରେ କାହିଁକି ଆଖ ପାଖ ଚଉତିରିଶ ଖଣ୍ଡ ଗାଁରେ ବି ନ ଥିବେ ଆଉ ସେଇ କଥା ପାଇଁ ତାଙ୍କ ଗୁଣବତୀ ଘରଣୀ ରାଣୀ ସୁମତି ସଗର୍ବେ ସମସ୍ତ ଙ୍କ ଆଗରେ ଘୋଷଣା କରନ୍ତି ସ୍ୱାମୀ ତାଙ୍କର ହଜାରରେ … |
Cite this
CC0-1.0textCite
Tags
task_categories:text-generationtask_ids:language-modelingannotations_creators:no-annotationlanguage_creators:foundmultilinguality:multilingualsource_datasets:oscarlanguage:aflanguage:amlanguage:arlanguage:arzlanguage:aslanguage:azlanguage:azblanguage:balanguage:belanguage:bglanguage:bnlanguage:bolanguage:brlanguage:calanguage:celanguage:ceblanguage:ckblanguage:cslanguage:cvlanguage:cylanguage:dalanguage:delanguage:dvlanguage:ellanguage:enlanguage:eolanguage:eslanguage:etlanguage:eulanguage:falanguage:filanguage:frlanguage:fylanguage:ga