text
stringlengths
1
5.06k
تعمل قهوة CafeNet El Sol ريزارفاسيونات ب 30 دولاراً أمريكياً أو 10 دولارات أمريكية لتساكر يوم واحد اكهو؛ التفاصيل على صفحة Corcovado
السبب الأول هو معاناة شمال نيو مكسيكو من مشاكل كبيرة في السياقة تحت تأثير الكحول، كما أن كثافة السائقين السكارا مرتفعة بالقرب من حانات المدن الصغيرة
من المشاكل المعروفة كيف تعمل تحويل فيلم لفرسيون دي في دي هي المسح الضوئي الزائد
السفينة الّي طولها 100 متر كانت في ثنيّتها بش تهزّ حمولتها المستانسة بيها مالسماد، والمسؤولين كانو خايفين ماللول لا السفينة تسرب كمية كبيرة
طلبت الشرطة مع ال11:20 من المحتجين باش يرجعو للتروتوار وقالت أنو لازمهم يوازنوا بين الحق في التظاهر مع زيادة السيركيلاسيون
في ثمانينات القرن خمسطاش، كيف بدا اللورد هاستينجز يبني في القلعة، كانت البلاد هادئة نسبيًا وكان الدفاع مطلوب فقط ضد مجموعات صغيرة من اللصوص المتجولين
احتل التايلانديين كامبوديا برشة مرات في القرن ثمنطاش ودمروا بنوم بنه عام 1772
في السنين الأخيرة من القرن الـ18، الفيتناميّين زادة غزوا كمبوديا
في القرن ثمنطاش، تلقى كمبوديا روحها محاصرة بين جارتين قويتين؛ وهوما: تايلاند و فيتنام
ومن وقت إستقلال باكستان على الحكم البريطاني عام 1947، عيّن الرئيس الباكستاني "عملاء سياسيين" بش يحكمو البقايع القبايلية الي تابعة للإدارة الاتحادية، والي قاعدين يمارسو في سيطرة شبه كاملة على المناطق
عام 1951 حريق دمّر معضم آثار الدروكغيال دزون، كيما صورة زابدرونغ زغاوانغ نامغيال
عام 1957 ولّات لوكسمبورغ عضو مؤسس في المنظمة الي تتسمى اليوم الاتحاد الأوروبي
رجع في الستينيات للجزائر المستقلة جديدة بش يقرّي الإخراج السينمائي
ستاردست بش تحقق رقم قياسي جديد على خاطرها أسرع مركبة فضائية ترجع للأرض، وكسرت الرّقم القياسي السّابق الّي ْتسجل في شهر ماي عام 1969 في عودة وحدة قيادة أبولو إكس
كانت الطيارة إي إل-76 مكون رئيسي للجيوش الزوز الروسي والسوفيتي مالسبعينيات، وعرفت بالحق أكسيدون خطير في روسيا الشهر الي فات
في عام 1970، اكتشف رايموند داماديان، طبيب وعالم أبحاث، الأساس الي اتبنى عليه استخدام التصوير بالرنين المغناطيسي كأداة للتشخيص الطبّي
في عام 1977 كمل الدكتور داماديان صنعان أول ماسح ضوئي للتصوير بالرنين المغناطيسي "لكامل الجسم"، واللي يتسمى اليوم ب"اللي ما يتقهرش"
عام 1981 اختاروا فاندا ميس جوكويم، الي هي نوع من الأوركيد الهجين، كزهرة وطنية للبلاد
وقّف بروفنزانو هاك الرؤساء وقت اللي حط حد للحرب اللي قادتها رينا ضد الدولة وتسببّت في موت صليبي المافيا جيوفاني فالكون وباولو بورسيلينو في عام 1992
عام 1994 إقليم ناكورنو كارباخ الاذري، الي عندو أصول أرمينية، عمل حرب على الأذريين
صوتولوا عام 1995 كأفضل لاعب في تاريخ البارتيزان
وثّق روحو في كتاب يرجع لعام 1998
كشفت عظام الأيدي حفريّات تتراوح أعمارها بين مليوني وثلاثة ملايين عام عن التحوّل هذا في اختصاص اليد، من التنقّل إلى المناورة
فما رسم زايد في حالة وجود أكثر من زوز مسافرين، هذاك علاش يكون هالخيار أغلى من اللازم
أمير خان الحاصل على الميدالية الفضية في أولمبياد سنة 2004،قال "بالنسبة ليا نحسّ من داخل إلّي النساء مايلزمهمش يقاتلو
وهاذي وجهة نظري
وكان بنك نورثرن روك طلب الدّعم بْسبب تعرضو لْأزمة الرهن العقاري الثانوي عام 2007
عام 2008 أمّمو بنك روك الشمالي بعد الإعلان على أنو الشركة تلقّات دعم طارئ من حكومة المملكة المتحدة
تحصلت على لقب المشرف الوطني عام 2009
البرازيلي تضرب في الراس وتسببلو في جروح خطيرة بعد ما تضرب في سباق جائزة المجر الكبرى عام 2009
بعد سباق جائزة المجر الكبرى في 2014، اتقصى بيكيه جونيور
تشكلت العاصفة الاستوائية دانييل، العاصفة الرابعة الي وقعت تسميتها في موسم الأعاصير الأطلسية 2010، في شرق المحيط الأطلنطي
عام 2010 وأثناء تأميمو تِفصل البنك الحالي إلي في الشارع الرئيسي نورذرن روك على باد بنك، نورذن روك (إدارة الأصول)
وثائق بنما هو مصطلح شامل لتقريب عشرة ملايين وثيقة من شركة المحاماة البنمية موساك فونسيكا، تسربت للصحافة في ربيع عام 2016
هيسوس الّي عمرو 21 عام انضم لمانشستر سيتي العام لي فات في جانفي 2017 جاي من نادي بالميراس البرازيلي مقابل مبلغ يبلغ 27 مليون جنيه إسترليني
وبعد 250 عام، ولات غينيس شركةً عالميةً ادخّل أكثر من 10 مليار يورو (حوالي 14
7 مليار دولار أمريكي) كل عام
دخل فيدال اللي عمرو 28 عام لنادي برشلونة قبل ثلاثة مواسم بعد ما كان يكوّر في نادي إشبيلية
بعد أربعة سنين، عطاو براءة اختراع، واللي كانت أول براءة اختراع في العالم تتعطى في مجال التصوير بالرنين المغناطيسي
فما في العالم أكثر من 5000 لغة مختلفة، فين أكثر من عشرين لغة يحكيوها 50 مليون واحد والا أكثر
جونسون يجي في الموقع الثاني برصيد 2243 بفرق سبعة نقاط
جوني ريد، شوفور مساعد في فريق A1GP New Zealand، دخل التاريخ اليوم كي حقق أسرع سياقة على قنطرة ميناء أوكلاند، نيوزيلندا، الي عمرها 48 سنة، بطريقة قانونية
يؤثر اضطراب قلة الانتباه على العلاقات مع الأنداد على خاطر الصغار الأخرين ما ينجموش يفهموا سبب التصرفات متاعهم والا كلامهم بطريقة معينة أو أن مستوى النضج متاعهم مختلف
الأطفال المصابين باضطراب نقص الانتباه يواجهو صعوبةً في التركيز على أشياءٍ مثل الواجبات المدرسية، لكن يمكنهم التركيز على الأشياء التي يستمتعو بالقيام بها مثل اللعب أو مشاهدة الرسوم المتحركة المفضلة عندهم أو كتابة الجمل من دون علامات ترقيم
وحسب ما قالت وكالة "أنسا"، أن الشّرطة خافت من أنو يصيروا زوز عمليات اغتيال على مستويات كبيرة، والي يمكن يشعّلو حرب على شكون يخلفو
كشف ستيف جوبز، الرئيس التنفيذي لشركة أبل، على الماكينة وهو يمشي على المنصة وخرّج أيفون من جيب الدجين متاعو
تحطمت طائرة جاس-39 غربين على البيست مع ال9:30 متاع الصباح بالتوقيت المحلي (0230 التوقيت العالمي الموحّد) وانفجرت، ما تسبّب في تسكير المطار قدام الرحلات الجوية التجارية
يعتمد التصوير بالرنين المغناطيسي على ظاهرة فيزيائية تتسمى الرنين المغناطيسي النووي (NMR)، والي اكتشفت في ثلاثينيات القرن الماضي عن طريق فيليكس بلوخ (من جامعة ستانفورد) وإدوارد بورسيل (من جامعة هارفارد)
درجة متروبلس مرتاحة اكثر وأقل زحمة لكنها أغلى رغم أنها أرخص من تذاكر المترو العادية في أوروبا
منظمة أوبك وضحت في تقريرها الشهري الجديد إنو صادرات النفط الخام تراجعت لأقل مستوى ليها من عشرين سنة ووصلت لـ 2
8 مليون برميل يوميا
تحصّل برنامج بي بي إس على أكثر من 24 جائزة إيمي وكانت مدة العرض متاعو أقصر من "سيسم ستريت" و"ومستر روجرز نيبرهود"
كبير مفتشي الجمعية الملكية لمنع القسوة على الحيوانات في نيو ساوث ويلز ديفيد أوشانيسي لـABC قال إنّ المراقبة والتفتيش على المسالخ لازم يكون حاجة معروفة في أستراليا
البحرية الأمريكية قالت زادا أنها قاعدة تْحَقق في الحادثِ
قال جون جرانت، من دبليو إن إي دي بافالو (محطة ريدينج رينبو): "علمت ريدينج رينبو الصغار علاش يقراو،
يحبوا القراية - وشجّع [البرنامج] الصغار على ماخذة الكتب وقرايتها
عدد الناس إلي يستعملو في موقع ياهو
و خدمات مايكروسوفت الكل مع بعضهم ينافسو إيه أو إل في عْدد الكليونات
هاذي هي عملية الاستحواذ الأكبر في تاريخ إيباي
برشا تساكر، اللي تتباع عالإنترنت عالسيتات متاع المزادات كيف eBay أو Craiglist، يستخدموها جزئياً كتساكر دخول متاع برشا أيامات لأكثر من حديقة
تقدم البلدان المشاركة عروض فنية وتعليمية في السرادق الوطنية باش تسلّط الضو على القضايا العالمية أو ثقافة بلادهم وتاريخها
في 7 أكتوبر، اسياب الموتور وقت جاء طالع من غير إصابات، وقفت روسيا استعمال طيارات Il-76 مدة قصيرة بعد الأكسيدون
مللي بدا ذي أونيون، ولا مملكة أخبار هزلية في حد ذاتو، وعندو نسخه مطبوعة، موقع دخل عليه أكثر من 5 ملاين زائر بالحق في شهر أكتوبر، إعلانات خاصة، شبكة أخبار 24 على 24، بودكاستات وزيدهم أطلس عالم جديد إسمو عالمنا الغبي
في ليلة تسعة أوت، إعصار موراكوت كان على بعد سبعين كيلومتر حسب التقريب من مقاطعة فوجيان الصينية
بعد الحريق، تم الحفاظ على القلعة وحمايتها، وبقات وحدة من أكثر البلايص الي فيها إثارة في بوتان
يقول الباحثون الرئيسيون أنو هذا يمكن يوصّل للكشف المبكر للسرطان والسل والسيدا والملاريا في البلدان اللي الدخل متاعها ضعيف، واللي معدلات النجاة فيها من الأمراض كيف سرطان الصدر هي نصف معدلات البلدان اللي أغنى منها
يعتمد عدد أصحاب اللغة الأم على حساب الي يتحدثوا والي ما يتحدثوش باللهجات المرتبطة بيها
لازمك صبابط بنعال مناسب كأدنى حد
تكون الصبابط الصيفية في العادة تزلّق برشا على الجليد والثلج، حتى إن بعض الصبابط الشتوية تكون مش مناسبة
304 كرهبة جديدة جملة تزادت ل 1300 كرهبة بش يتحصلو عليها بش يعالجو الاكتظاظ
يمكن تسبب المشاكل الصحية على طوال المشاكل اللي تنتج على التكثير في شرب الألكول الضرر بالكبدة وحتى العمى والموت
تزداد امكانية الخطر كي تستهلك الكحول المصنوعة في النوار
بالمقارنة مع معظم الجبّانات الملكية الأخرى، فإن قبر توت عنخ آمون بالسيف يستحق الزيارة، على خاطروا أصغر ببرشا والزخارف متاعو محدودة
بعض الكوارط تتخصص في تقديم أسوام مكالمات مواتية لمجموعات محددة من البلدان، في حين أن معظم البطاقات صالحة باش تكلّم \اي بلاصة
تتصنع معظم التلافز بطريقة ترضي عامة الجمهور
بالنسبة لمعظم الدول، باش تستحق خطاب عرض من المؤسسة اللي تحب تقرا فيها، ومعها بروفا على أنك عندك فلوس باش تصرف على روحك في العام الأول من قرايتك على الأقل
يتم الاحتفال بمعظم مهرجانات المعبد كجزء من الذكرى السنوية للمعبد أو عيد ميلاد الإله أو أي حدث كبير آخر مرتبط بالمعبد
عند مُعظم المعابد مهرجان سنوي يبدأ من نهاية نوفمبر وحتى نص ماي، واليل يختلف حسب التقويم متاع كل عام لكل معبد
ارتبطت معظمها بناس يخدمو في قطاع الدواجن، ولكن فمة زادا بعض المخاطر على اللي يراقبوا الطيور
معظم الناس تريزارفي على بكري (على خاطر الفلايك ديما تكون مليانة في موسم الذروة)
مسؤولين قالوا أنو كان من المقرر إقامة احتفال رسمي في الذكرى السنوية في وقت آخر
ولقات الدراسة أن الاكتئاب، والخوف والكوارث يتوسطو العلاقة بين الألم والعجز عند الي يعانو من آلام أسفل الظهر
وطُورها جون سميث في السبعينات، باش تعاون المبتدئين أو الي عندهم مهارات حركية محدودة
تتسمى اللوحات الجدارية ولا الخربشات الغيرمرغوبة الجرافيتي
تحسّنت محركات الترجمة بشكل كبير، وتوا غالباً ما تقدم ترجمات صحيحة إلى حد كبير (ونادراً ما تعطي حاجة غالطة)، اما الحذر لازم، على خاطر يمكن يغلطو كليا
لازم تريزارفي التصاريح بالمسبّق
لازمك تتحصّل على تصريح باش تعدي الليلة في سيرينا
وتتراوح التقديرات بين 340 مليون و500 مليون متحدث، وقرابة 800 مليون شخص يفهموا اللغة
الأتباع يتبعوا طريقة معينة في الحياة، أو عندهم ممارسات معينة الهدف منها هو تقوية التجارب هذيكة
على مر القرون، بنى الناس البلكونات بعناية على المناظر الطبيعية الواعرة المنحدرة برشا باش تربط بينها وبين المنحدرات المُطلّة على البحر
تتميز على بروكسي الويب لعدة أسباب: هي تعاود توجه حركات المرور الكل على الإنترنت، ومش كنشي عبر بروتوكول نقل النص الفائق
عاونونا الناس اللي شاركوا اعشرات السنين باش نعرفوا نقاط قوتنا وعواطفنا، وفي نفس الوقت تقييمنا الصريح للصعوبات وحتى الإخفاقات
قبل ظهور برنامج "البرنامج اليومي" وبرنامج "تقرير كولبرت" بمدّة طويلة، هيك وجونسون تخيل منشور كيما الأخبار-والتقارير الإخبارية-وقْتِلِّي كانو طلبة في جامعة ويسكونسن عام 1988
صعيب أنك تلقى برشا حيوانات غريبة، وساعات يمكن تكون للحدائق العامة قواعد خاصة للتصوير الفوتوغرافي لأغراض تجارية
برشا دول كاملة تتكلم الإنكليزية بطلاقة، وفي دول أكثر من هكا ببرشا، تنجم تتوقع معرفة محدودة - وخاصةً بين الشباب
نظراً لبُعد برشا من قرى البويبلو، مش باش تحظى بفرصة كبيرة للحياة الليلية دون السفر إلى ألباكركي ولا سانتا فيه
تطالب برشا حكومات بتلقيح الزوار الي يدخلو والا يغادرو دولها ضد مجموعة من الأمراض
برشا مسافرين مستقرين وقادرين اندهشو من حداثة السفر إلى دول العالم النامي، وين يمكن تتراكم برشا تعديلات ثقافية صغيرة فيسع
يمكن تكون زادا طريقة باهية لتمديد الميزانية باش يسمحولك بإقامة أطول في بلاصة معينة على خاطر برشا وظائف تطوعية توفر سكنى وماكلة والبعض يخلصوا شهرية صغيرة
عالجو الطاقم الطبي فورا على الطريق ونقلوه لمستشفى محلي وين توفي بعدين

Dataset Card for Tunisian Text Compilation

This dataset is a curated compilation of various Tunisian datasets, aimed at gathering as much Tunisian text data as possible in one place. It combines multiple sources of Tunisian language data, providing a rich resource for research, development of NLP models, and linguistic studies on Tunisian text.

Alt Text

Dataset Details

Dataset Description

This dataset aggregates several publicly available datasets that contain Tunisian text, creating a comprehensive repository of Tunisian language data. It includes data from diverse domains and text types, such as social media, news, literature, and more. The dataset is particularly useful for training and fine-tuning natural language processing models specific to Tunisian Arabic and other local dialects.

The combined dataset brings together resources with varying licenses, including Apache 2.0, Creative Commons Attribution-ShareAlike 4.0 (CC BY-SA 4.0), and Creative Commons CC0. The dataset is licensed under CC BY-SA 4.0, in compliance with the most restrictive license terms of its components.

  • Curated by: Mohamed Aziz Belaweid.
  • Funded by [optional]: Mohamed Aziz Belaweid.
  • Shared by [optional]: Mohamed Aziz Belaweid.
  • Language(s) (NLP): Tunisian Arabic, possibly including other regional dialects and Modern Standard Arabic, French and English.

License Information for Combined Dataset

The following datasets have been used to create the combined dataset, each under the licenses specified:

  1. Muennighoff/xP3x

  2. cis-lmu/glotcc-v1

  3. facebook/flores

  4. cis-lmu/GlotStoryBook

  5. Davlan/sib200

  6. jaygala24/xsimplusplus

  7. gentaiscool/bitext_sib200_miners

  8. dataverse-scraping/reddit_dataset_219


Combined Dataset License

Since this dataset includes data licensed under CC BY-SA 4.0, it must be distributed under the same license to comply with the "share-alike" requirement. Therefore, the combined dataset is licensed under:


Uses

Direct Use

The Tunisian Text Compilation dataset is intended for use in various natural language processing (NLP) tasks, particularly those related to Tunisian Arabic and regional dialects. Direct uses include:

  • Language modeling: Building and fine-tuning NLP models for Tunisian Arabic.
  • Linguistic research: Studying the unique features and characteristics of Tunisian Arabic and its variants.

Out-of-Scope Use

The dataset is not suitable for tasks that require data from non-Tunisian dialects or languages. Additionally, potential out-of-scope and malicious uses include:

  • Creating harmful or misleading content using NLP models trained on this dataset.
  • Generating content unrelated to Tunisian Arabic due to limitations in dialect representation.
  • Misrepresentation of findings or biased generalization, since the dataset focuses on Tunisian Arabic and may not represent all forms of Arabic.

Dataset Structure

The dataset is structured in the following way:

  • Fields: The dataset contains fields for the text content, metadata such as source, language detection tags (using Lingua library), and any preprocessing applied (e.g., MinHash for deduplication).
  • Splits: No splits.
  • Relationships between data points: Certain data points may be linked by origin (e.g., from the same source dataset), but overall, the dataset aims to provide independent examples for NLP tasks.

Dataset Creation

Curation Rationale

The dataset was created to address the lack of comprehensive Tunisian Arabic corpora. It combines multiple datasets to gather diverse text data, representing different domains and sources. The main goal is to provide a resource that facilitates the development of NLP models specifically tailored to Tunisian Arabic, which is underrepresented in current NLP research.

Source Data

Data Collection and Processing

The source data includes a variety of Tunisian text from public datasets. The following steps were involved in the curation process:

  • Data selection criteria: Publicly available datasets with a focus on Tunisian Arabic text or text that includes significant Tunisian content were selected.
  • Filtering and normalization: Text data was cleaned and normalized to remove non-Tunisian content, and MinHash deduplication was used to eliminate duplicate entries.
  • Language detection: The Lingua library was used to ensure accurate language detection, with a focus on filtering out non-Tunisian texts.

Who are the source data producers?

The source data producers include researchers and developers who have contributed publicly available datasets such as Muennighoff/xP3x, cis-lmu/glotcc-v1, facebook/flores, and others, each contributing different types of Tunisian text (news, literature, social media).

Bias, Risks, and Limitations

While this dataset is comprehensive for Tunisian text data, certain limitations exist:

  • Bias toward specific domains: Some sources, like social media, may be overrepresented, potentially skewing the language model's understanding of Tunisian Arabic.
  • Dialectal variation: Tunisian Arabic itself includes a variety of dialects, and this dataset may not capture all of them equally.
  • Potential overfitting to specific text types: The prevalence of specific genres (e.g., news or social media) might affect model performance in other contexts.

Recommendations

Users of this dataset should:

  • Be cautious about generalizing findings to all forms of Arabic, as this dataset is focused specifically on Tunisian dialects.
  • Consider augmenting the dataset with other sources to balance dialects and avoid bias toward specific text types.
  • Regularly evaluate models for potential biases introduced by the dataset's structure or content.

Citation [optional]

Please use the following citation to credit the dataset:

@misc{TunisianTextCompilation, author = {Mohamed Aziz Belaweid}, title = {Tunisian Text Compilation}, year = {2024}, url = {https://huggingface.co/datasets/AzizBelaweid/Tunisian_Language_Dataset}, }

Dataset Card Contact

For questions reach out to me :)


Downloads last month
0
Edit dataset card