Recursos de PLN en Español

En este repo encontrarás:

• Datasets open-source: Lista de datasets abiertos de PLN en español (a continuación)
• Hackathon Somos NLP 2022 y 2023: Diapositivas y notebooks de las charlas y talleres impartidas durante el mayor hackathon open-source de PLN en español
• Grupo de estudio: Diapositivas y material del grupo de estudio, únete en el canal #grupo-de-estudio de Discord

Tenemos también una sección de la página web dedicada a recursos de PLN: https://somosnlp.org/recursos

Si no encuentras lo que estás buscando te animamos a unirte a Discord y preguntar a la comunidad. Aquí tienes una invitación.

Datasets Open-Source

• Versión web

nombre	tareas	dominio	idioma	pais	página_web	github	paper	hf_dataset_name	hf_contributor_handle
BasCrawl	modelado del lenguaje	general	euskera	España	https://doi.org/10.5281/zenodo.7313092	nan	nan	nan	nan
Biomedical Spanish CBOW Word Embeddings in Floret	modelado del lenguaje,CBOW (Continuous Bag Of Words)	clinico	español	España	https://doi.org/10.5281/zenodo.7314041	https://arxiv.org/abs/2109.07765	nan	nan	nan
CSIC Spanish Corpus	modelado del lenguaje	academico	español	España	https://doi.org/10.5281/zenodo.7313126	nan	nan	nan	nan
Catalonia Independence Corpus	clasificación de sentimientos	rrss	catalán, español	España	nan	https://github.com/ixa-ehu/catalonia-independence-corpus	https://www.aclweb.org/anthology/2020.lrec-1.171/	catalonia_independence	lewtun
HEAD-QA	preguntas de opción múltiple	clinico	español	España	https://aghie.github.io/head-qa/	https://github.com/aghie/head-qa	https://www.aclweb.org/anthology/P19-1092/	head_qa	mariagrandury
InfoLibros Corpus	modelado del lenguaje	literatura	español	Varios	https://doi.org/10.5281/zenodo.7313105	nan	nan	nan	nan
Large Spanish Corpus	modelado del lenguaje,pre-entrenamiento	general	español	Varios	nan	https://github.com/josecannete/spanish-corpora	nan	large_spanish_corpus	lewtun
Mucho Cine	clasificación de sentimientos	general	español	Varios	http://www.lsi.us.es/~fermin/index.php/Datasets	nan	nan	muchocine	mapmeld
Spanish Billion Words	modelado del lenguaje,pre-entrenamiento	general	español	Varios	https://crscardellino.github.io/SBWCE/	nan	nan	spanish_billion_words	mariagrandury
Spanish Biomedical Crawled Corpus	modelado del lenguaje	clinico	español	España	https://doi.org/10.5281/zenodo.5513237	nan	https://arxiv.org/abs/2109.07765	nan	nan
Spanish CBOW Word Embeddings in FastText	modelado del lenguaje,FastText	general	español	España	https://doi.org/10.5281/zenodo.5044988	nan	http://journal.sepln.org/sepln/ojs/ojs/index.php/pln/article/view/6405	nan	nan
Spanish CBOW Word Embeddings in Floret	modelado del lenguaje,CBOW (Continuous Bag Of Words)	general	español	España	https://doi.org/10.5281/zenodo.7314098	nan	nan	nan	nan
Spanish Legal Domain Corpora	modelado del lenguaje	legal	español	España	https://doi.org/10.5281/zenodo.5495529	https://github.com/PlanTL-GOB-ES/lm-legal-es	https://arxiv.org/abs/2110.12201	nan	nan
Spanish Legal Domain Word & Sub-Word Embeddings	modelado del lenguaje	legal	español	España	https://doi.org/10.5281/zenodo.5036147	https://github.com/PlanTL-GOB-ES/lm-legal-es	https://arxiv.org/abs/2110.12201	nan	nan
Spanish Skip-Gram Word Embeddings in FastText	modelado del lenguaje,FastText	general	español	España	https://doi.org/10.5281/zenodo.5046525	nan	http://journal.sepln.org/sepln/ojs/ojs/index.php/pln/article/view/6405	nan	nan
TDX Thesis Spanish Corpus	modelado del lenguaje	academico	catalán, español	España	https://doi.org/10.5281/zenodo.7313149	nan	nan	nan	nan
WikiCorpus	modelado del lenguaje,POS (Part of Speech)	general	catalán, español, inglés	Varios	https://www.cs.upc.edu/~nlp/wikicorpus/	nan	https://www.cs.upc.edu/~nlp/papers/reese10.pdf	wikicorpus	albertvillanova
eHealth-KD	reconocimiento de entidades nombradas (NER)	clinico	es	España	https://knowledge-learning.github.io/ehealthkd-2020/	https://github.com/knowledge-learning/ehealthkd-2020	http://ceur-ws.org/Vol-2664/eHealth-KD_overview.pdf	ehealth_kd	mariagrandury