Dataset Viewer
Auto-converted to Parquet Duplicate
text
stringlengths
50
50k
source
stringclasses
4 values
Осы мақсаттиғы физикалық және химиялық процестерді зерттеуге арналған лаборатория Ш-тың тікелей басшылық етуімен құрылды.
md_leipzig
Мақсатымның тағы бір белесін бағындырдым. Осы аптада Стейс Крамердің "50 дней до моего самоубийства" деп аталатын кітабын оқып бітірдім. Иә, аты кішкене ерсілеу ме, қорқынышты ма, әйтеуір, ең алғаш бұл кітапты оқыр кезде жүрексінгенім рас. Осыдан тура бір жыл бұрын танысқан ем бұл кітаппен. "Жақсы кітап- досың. Егер оқ...
md_oscar
Астана қалалық әкімшілік соты азаматтық белсенді, "Антигептил" қозғалысының өкілі Мақсат Ілиясұлын "заңсыз акция өткізді" деп айыптап, оған 20 айлық есептік көрсеткіш (АЕК, 1 айлық есептік көрсеткіш – 1852 теңге) көлемінде айыппұл салды.
md_leipzig
Мысалы, «Биз­нестің жол картасы - 2020» бағ­дарламасы бойынша несие алу­ға ниет білдірген кәсіпкер­­лер 13 құжат өткізуі қажет.
md_leipzig
Шамның (XX ғасырдың 40—50 жылдары), одан кейін транзисторлық қабылдағыштардың шығуына байланысты детекторлы қабылдағыш өз мәнін толық жоғалтқан.
md_leipzig
Мүдделерді ұғыну қоғамда тұрақты жүзеге асатын әлеуметтік салыстыру процесі, яғни әртүрлі әлеуметтік топтардың өмірлік жағдайларын салыстыру нәтижесінде болады.
md_leipzig
Мектептің суын жөндеу керек, клуб керек, ауылдың санитарлық тазалығы да бар.
md_leipzig
Орналасқан жері: Тараз қаласынан батысқа қарай 20 шақырым жердегі Айша бибі ауылында орналасқан. Республикалық дәрежедегі мемлекеттік тарихи және мәдени ескерткіштер қатарында. Кесене құрылысы ХІ-ХІІ ғғ. салынған, жергілікті сәулет өнерінің ерекшеліктерін сақтай отырып, ұлттық нақыштармен безендірілген. Жалпы көлемі 7,...
md_oscar
Дрісбаянның басқа сөздік дістерден өзгешелігі қатаң құрылымды, мол ақпаратты, баяндалуы қисынды, білім мнін ашу жүйелікке негізделеді. Дрісбаян ғылыми-көпшілік жне академиялық болып ажыралады. Өткен материалды қорытындылауға, қайталауға шолу дрісбаяндары қолданылады. Қазіргі кезеңде дрісбаян дісін қолданудың көкейкесті...
md_kazakhBooks
Бірақ башқұрт жерлерін қазынаға алу т.б. талан-тараж жағдайды шиеленістіре түсті.
md_leipzig
Министрдің айуына қарағанда, президентке мұндай атақ беру жөніндегі шешім осы жиылыстан небәрі бір күн бұрын ірі ғылыми бірлестіктер басшылығы мен Қазақстан ұлттық ғылым академиясының төралқасының съезінде қабылданған.
md_leipzig
“Рио Олимпиадасына саңлақтарымызды қостырмаған соң бiз тек негiзгi құрамның үш спортшысын, ал екiншi нө­мiрдегi бес атлеттi апаруға мәжбүр болдық.
md_leipzig
Ойындардың ашылу салтанатында Қазақстан байрағын балуан Нұрмахан Тінәлиев алып шығады.
md_leipzig
Жолдың алыс әрi ауырлығына қарамастан Бөкей ордасына көлiк күнде қатынайды екен.
md_leipzig
Кейбір деректер бойынша, бұл келісімдердің сомасы 1 триллион доллардан асады.
md_leipzig
Кеншiлердiң айтуынша, осының бәрiн ұйымдастырып жүрген концерннiң қауiпсiздiк қызметiн басқаратын Юрий Огай деген адам.
md_leipzig
Журнал туралы Редакциялық кеңес Журналдың редакциялық саясаты Құқықтар мен міндеттер Мақалаларды кері қайтарып алу немесе түзету жөніндегі нұсқаулық Байланыс Ағымдағы шығарылым Мұрағаттар Авторларға Авторларға арналған нұсқаулық Латын қарпінде әдебиеттер тізімін рәсімдеу ережесі (References) Ілеспе хаты Материалдарды ж...
md_oscar
Үш күнге созылатын осы алқалы отырысқа қатысуға ТМД елдерінің денсаулық сақтау министрліктері мен халықаралық ұйымдар өкілдері келді.
md_leipzig
Бүгiнде құқық қорғау саласын iндетше жайлап алған парақорлық пен әдiлетсiздiк, көзжұмбайлық жайлы айтып, ешкiмдi таңдандыра алмайсыз.
md_leipzig
Олардың көздеп отырған нәрсесі – қаржылық мүдде, яғни бізбен келісім-шарт жасасу.
md_leipzig
Бұдан әрi де өте мықты қарсыластармен ғана жұдырықтасқанды жөн көремiн.
md_leipzig
Маусымның ортасында немере қарындасын алған Қорғантөбе тұрғыны Әлішер Ресейге маусымдық жұмысқа кетіп барады.
md_leipzig
Денсаулығы қатты нашарлап, тіпті кей күндері басы ауырып, көзі қарауытып, есеңгіреп ұзақ уақыт бойы жатып қалатын болған.
md_leipzig
"Жас Алаш" ашық жаза алатын, демократиялық бағыттағы Қазақстандағы №1-ші газетҰлық мерекелерiңiзбен, отандастар!
md_leipzig
Алайда ең жақсы көрсеткіштерге PGA және PLA сополимері – PGLA ие болады.
md_leipzig
“Қазақ және орыс тiлдерiнде жеке мектепте бiлiм берудi тоқтату керек.
md_leipzig
Атырауда рентгенолог-дәрігер көз жұмды Атырауда №4 қалалық емхананың рентгенолог-дәрігері Нариман Ақпанов қайтыс болды, деп хабарлайды Today.kz тілшісі облыстың денсаулық сақтау басқармасына сілтеме жасап. "Оның мезгілсіз қайтыс болуы бәріміз үшін, емзананың барша қызметкерлері үшін соққы болды. Әрқашан көңілді, жігерл...
md_kazakhNews
Қармақшы Ата Мазары– сәулет өнері ескерткіші. 14 – 15 ғасырда күйдірілген кірпіштен тұрғызылған. Қармақшы ауданының орталығынан 1 – 2 км қашықтықта. Жалпы жобасы шаршыланып келген (7,3х6,0х7,3 м), төбесі күмбезді. Қабырға қалауы мен күмбезінде өрнек жоқ. Іші-сырты әктелген. Орта ғасырлық мазар салу дәстүрінің бір белгі...
md_oscar
Сарапшылар ең қауіпті кілт сөздерді атады ШҚО-да 84 адамды алдаған тур-фирма директорына қатысты сот отырысы өтті Қазақстан қаржыгерлер қауымдастығы сақ болуға шақырды Avira антивирусын жасаушылар кибер шабуылдар бойынша зерттеу жүргізген. Мамандардың пікірінше, ең жеңіл ашылатын логин мен кілт сөз – ол ешбір сан мен ә...
md_kazakhNews
Тesla Шанхайдағы зауыттан Model 3 тасымалдай бастады Tesla көлік бағасын арзандатты Енді компания электр қуатымен жүретін көліктердің жаңа буыны Model Y өндірісін жолға қоймақ. Америкалық Tesla Inc. компаниясы Шанхайдағы Gigafactory 3 зауытында шығарылған Model 3 электромобильдерін жаппай тасымалдай бастады, деп хабарл...
md_kazakhNews
Қалыптасқан жағдай коронавирустық инфекцияның таралу қауіпін төмендетуге мүмкіндік беретін қосымша қауіпсіздік шараларын қабылдауды талап етеді», — деп атап өтті ол.
md_leipzig
Оның Қазақстанның бiрқатар жер-су атауларын қате беруiне қарамастан, 1930 жылдардағы ұжымдастыру кезiндегi шар­уалар көтерiлiстерi туралы мәлiметтерi өте құнды болып табылады.
md_leipzig
Нұр-Сұлтандағы өрттің видеосы тарады 30 желтоқсан 2020, 11:41 Нұр-Сұлтанда жер үйдің маңындағы көлікжайдан өрт шыққан, - деп хабарлайды Tengrinews.kz тілшісі. Қалалық ТЖД өкілдерінің мәліметінше, өртті сөндіруге 60 адам мен 13 техника жұмылды. "30 желтоқсанда сағат 10.42-де Нұр-Сұлтан қаласы ТЖД Өрт сөндіру бөлімшелері...
md_kazakhNews
Қазақстанда 10 жыл ішінде балық өнімдері өндірісін 30 есеге арттыру жоспарлануда ҚР Премьер-Министрі Асқар Маминнің төрағалығымен өткен Үкімет отырысында балық саласын дамыту мәселелері қаралды, деп хабарлайды Today.kz порталы Primeminister.kz сайтына сілтеме жасап. Балық саласын дамыту үшін оңтайлы жағдай жасауға, бал...
md_kazakhNews
Украинаның жаңа, батысшыл билігі маусым айында Медведчукты Ресеймен байланыс жасаудағы бас төреші етіп белгіледі.
md_leipzig
ISBN 9965-26-096-6 Бүкіл әлемдегі түркі халқы «Диуани хикмет» арқылы исламның рухани әлемімен, сол дәуір үшін ілгерішіл саналған сопылық ағымның философиялық ой-пікірлерімен танысты.
md_leipzig
Оның ойынша, болашақтың роботы өте күрделі механизм болмақ және футуристік фильмдерден көретін металл машиналарға ұқсамайды.
md_leipzig
Оның алғашқысы - Украинада конституциялық реформалар жүргізу және коалициялық үкімет құру туралы 21 ақпанда жасалған келісімді орындау.
md_leipzig
Алғашқы бас редакторлар «Кедейдің» алғашқы нөмірі 1924 жылдың 7 маусымында жарыққа шықты.
md_leipzig
1917 жылға қарай Сібір казактарының жалпы саны 172 мың адамға жетті.
md_leipzig
Жалпы, қара пиарға бет түзеуге болмайды, мемлекеттің көздегені де бұл емес.
md_leipzig
Сондықтан оларға деген қамқорлық артуы қажет, құрмет аласармауы керек, ұдайы зейін бөлінуі шарт.
md_leipzig
Сондай-ақ, бұл ғарыш объектісі өзге де зерттеулер мен каталогтарда кездескендіктен оның келесідей атаулары бар: PGC 52417, UGC 9455, MCG 3-37-35, ZWG 104.66.
md_leipzig
Токсикоздың екі түрі бар: алғашқы (ерте) токсикоз және соңғы (кеш) токсикоз.
md_leipzig
Хатта оның әңгімесі 1944 жылғы наурыз айындағы шығарылымда басылатыны айтылады.
md_leipzig
Пәкістанның солтүстік-батыс аймағында тұратын халық ескі салт-ғұрыпты қатты сақтайды, сондықтан мұнда әйел өнерпаздарға қарсы осындай шабуылдар жиі болады.
md_leipzig
Шовинист орыстар мен орысқұлдар қайта-қайта бас кө­терiп, Сапарбаевты аяқтан шалуға тырысып бақса да.
md_leipzig
Қазақстан Республикасының Мемлекеттік Туы – ортасында шұғылалы күн, оның астында қалықтап ұшқан қыран бейнеленген тік бұрышты көгілдір түсті мата. Тудың сабының тұсында ұлттық өрнек тік жолақ түрінде нақышталған. Күн, оның шұғыласы, қыран және ұлттық өрнек бейнесі алтын түстес. Тудың ені мен ұзындығының арақатынасы – 1...
md_oscar
Түс ауа жаңа кәсiподақ ұйымына кандидаттарын сайлау хаттамасын толтырған жұмысшылар автобекет алдында күннiң ыстығына қарамастан, жиналыстарын бастап кеттi.
md_leipzig
2011 жылдың маусымында Италияның сыртқы істер министрлігі «келісілген матчтармен күрес» бөлімін құрған еді.
md_leipzig
I тарау. Қазақстан Республикасындағы коммерциялық банктердің қаржы нарығындағы рөлі……………………………………………………………………………………..4 1.1. Коммерциялық банктер түсінігі және олардың жіктелуі……………………..4 1.2. Коммерциялық банктердің ұйымдастырылу құрылымы……………………..6 II тарау. Коммерциялық банктердің қызметтері мен операциялары…………..11 ...
md_oscar
Қазақстанда коронавирустың белгілері бар пневмониядан 2 адам көз жұмды Денсаулық сақтау министрлігі коронавирустық инфекция белгілері бар пневмония бойынша ақпаратты жаңартты, деп хабарлайды Today.kz . Өткен тәулікте коронавирустық инфекция белгілері бар пневмонияның 225 жағдайы және 2 өлім жағдайы тіркелді. Оған қоса ...
md_kazakhNews
Қазан айының 30-ы күні Вашингтонда 600-ге жуық ықпалды тұлға түскі асқа жиналды.
md_leipzig
Аман Төлеевтiң алпауыт ел Ресей жұртындағы абыройының асқақ екенiне осылайша тағы бiр көз жеткiздiк.
md_leipzig
Елді мекеннің автомобиль коды — ME, ресми идентификациялық коды — 3 15 41. 2005 жылғы сайлау нәтижесі бойынша коммунаның бургомистрі болып Игнац Леонхартсбергер саналады.
md_leipzig
ҰБТ – ұлтты бiрыңғай таптауға айналмасын десек, осындай “майда-шүйде” тұстарына да мән бергенiмiз артық болмас.
md_leipzig
Бланшар т.б.). Егер аталған алғашқы тарихнамалық бағыт өз қатарына әлеуметтік тарихтың жекелеген жақтаушыларын біріктірген болса, ал «пессимистер» негізінен тоталитаризм және кеңестік отаршылдық теориясын ұстанушылардан тұрды.
md_leipzig
Ол кезде Одақтың немесе Қазақстан көлемінде шетелдік барлау қызметкерлерін әшекерелеу және оларды ұстау өте сирек кездесетін жағдай болатынын айта кету керек.
md_leipzig
«Алтын допқа» үміткер футболшылар анықталды Францияның France Football басылымы «Алтын допқа» үміткер барлық 30 футболшының есімдерін атады. Тізімге он клубтың өкілдері енген. Жылдың үздік аяқдоп шебері 3 желтоқсан күні анықталады. Әзірге бұл сыйлықтың иегері португалиялық Криштиану Роналду. «Алтын допқа» үміткерлер: А...
md_kazakhNews
Бұл құқық қорғаушы ұйым Ресейдегі 50-ден астам үкіметтік емес ұйымның басын біріктіріп отыр.
md_leipzig
Гүльсәуле Орымбаева - бүгінгі күні «Салтанат» ән-би ансамблінің көркемдік жетекшісі және бас балетмейстері Қазақстан Республикасы еңбек сіңірген қайраткері.
md_leipzig
Талай-талай жерлердің дәмін татып, Өтті дәурен осылай біздің бастан Сонда сол циркте жеңген палуан, ең соңында жеңген палуан мен Қажымұқан күреске түседі.
md_leipzig
Бірақ, ұлт болашағына төнген қауіп, ақиқатында аса қатерлі болып тұр.
md_leipzig
Тараз қаласы әкімдігінің жұмыспен қамту және әлеуметтік бағдарламалар бөлімінің бас маманы пара алды деген күдікке ілінді. Сыбайлас жемқорлыққа қарсы қызметі Жамбыл облысы бойынша ҰҚК-мен бірлесіп, сыбайлас жемқорлық қылмысын жасады деген күдікпен Тараз қаласы әкімдігінің жұмыспен қамту және әлеуметтік бағдарламалар бө...
md_oscar
Қола ескерткіш С.Сейфуллин атындағы Қазақ драма театрының жаңа ғимаратының алдында орнатылған.
md_leipzig
Бұл достастық Жас философ-гуманистің платонизм мен неоплатонизмге қызығушылығын туғызып, алғашқы жазбаларында көрініс табады.
md_leipzig
Олар нұрқабықтың бұлыңғырлануы, оның диспигментациясы, майда кисталардың түзілуі ретінде айқындалады.
md_leipzig
Олар бұдан 300 мың жыл шамасында пайда болып, 30 мың жыл бұрын өліп бітті.
md_leipzig
Олар мұхитқа оңтүстіктегі ашық шығанақ арқылы шыққандықтан, Бальбоа бұл мұхитты Оңтүстік теңіз ( ) деп атады.
md_leipzig
Батыс Германия үкіметі Түркия Республикасымен 1961 жылы 30 қазанда еңбек келісім-шартына қол қойып, түрік халқын елге қоныс аударуға ресми түрде шақырды.
md_leipzig
20 Қыркүйек күні мектебімізде «Қазақстан халықтарының Тілдер күніне» арналған «Тіл-әр ұлттың асыл қазынасы» музыкалық-әдеби кеш өтті. Іс-шараны Қазақ тілі мен әдебиеті мұғалімдері Аубакирова Айгуль Жуматовна, Серсембаева Жанар Абдрахмановна, Касеинова Гульмира Бакумбаевна өткізді. Музыкалық-әдеби кеште бәрі де болды: ә...
md_oscar
Олар кейін шіркеулер мен Еуропа елдерінің үлкен алаңдарында орналасқан түрлі сағаттардың үлгісі болды.
md_leipzig
Бiздiң ойымызша, жұмысқа орналасуға бел буған кадрлардың өндiрiстiк тәжiрибеден өтуiне мекеме қол ұшын беруi қажет.
md_leipzig
Олар мемлекеттің дамуына кедергі болып отырған шетелдіктердің қысымы екенін көрді.
md_leipzig
Полимер тізбектерін "тігу" арқылы олардың беріктігі мен балқу температураларын жоғарылатады.
md_leipzig
Алайда 90 пайызы бәрiбiр тыңдайды. 10. 90 пайыз ерлер өздерiнiң кемшi­лiк­терiн жақсы бiледi.
md_leipzig
Екеуміздің камераларымыздың қатар болғаны күзетшілердің бақылауына да ыңғайлы болса керек, - дейді.
md_leipzig
Кубтың орналасуында оның алдыңғы және соңғы табандарының орын ауыстыруы байқалатындай болады.
md_leipzig
Факультет жанындағы магистратура 6M0601-математика, 6M0602-информатика, 6M0603-механика, 6M0703-ақпараттық жүйелер, 6M0705-математикалық және компьютерлік пішіндеу атты бес мамандық бойынша мамандарды дайындап келеді.
md_leipzig
Ерғалиевтың негізгі шығармалары орыс тіліне, басқа да туысқан халықтар мен шетел тілдеріне (чех, венгр) аударылды.
md_leipzig
Артқы / белдік тіреу және тіреу фабрикасы - Қытай Артқа / белдік тіреу және тіреу өндірушілер, жеткізушілер
md_oscar
Патша үкіметі Қазақстанның байырғы халқы сайлауға қатысуға әлі дайын емес деп санады.
md_leipzig
Кәдімгі шырылдақ жоны – сұрғылт қоңырқай және бауыры – ақшыл, денесі – созылыңқы, құйрығының ұшы дөңгеленген кішкене, өте бұғыншақ құс.
md_leipzig
Ақмола облысында садақаға сойылған жылқы етінен ұшынғандар болған жағдайды айтып берді Ақмола облысында садақаға барған жамағат жаппай астан ұшынып қалды. Оқиға Шортанды ауданында болған. Марқұмды жерлеп болған соң асқа барған бүтіндей бір ауылдың халқы кафеден кейін ауруханадан бір-ақ шыққан. Дәрігерлердің көмегіне 60...
md_kazakhNews
Феодализм негізіне - вассал (бағынышты) мен сеньор, азамат мен зереннің, шаруа мен ірі жер иеленушінің ара қатынастары жатады.
md_leipzig
Ол құжатта "Азамат Аязбековке байланысты сот актісі өзгертіліп, жаңа сот қарауына жіберілсін.
md_leipzig
Екiншiден, сол бiтiргендердiң қытай тiлiн бiлу деңгейi және мамандану дәрежесi қандай?
md_leipzig
End of preview. Expand in Data Studio

Kazakh Cleaned Corpus

Cleaned and deduplicated Kazakh-language text corpus built from multiple open sources. Designed for pretraining and fine-tuning Kazakh language models.

Dataset Summary

Count
Train 1,502,583
Validation 15,177
Total 1,517,760

The dataset was assembled from the kz-transformers/multidomain-kazakh-dataset collection and processed through a multi-stage cleaning pipeline.

Sources

Source Raw texts Clean texts Description
md_oscar 269,047 239,807 OSCAR web crawl
md_kazakhNews 2,107,986 129,349 Kazakh news articles
md_kazakhBooks 8,423 20,482* Kazakh books
md_leipzig 1,706,485 1,128,122 Leipzig corpora collection
Total 4,091,941 1,517,760

* Books are split into chunks of ≤50K characters, so the clean count exceeds raw count.

Cleaning Pipeline

Each text passes through 9 sequential filters (ordered fast → slow):

  1. OSCAR dict fix — unwraps texts stored as {'text': '...'} Python dict literals
  2. NFC normalization — Unicode NFC, control character removal, whitespace normalization
  3. Minimum length — ≥50 characters, ≥10 words
  4. Kazakh character check — must contain at least one Kazakh-specific character (Ә, Ғ, Қ, Ң, Ө, Ұ, Ү, Һ, І, etc.)
  5. Script profile — Cyrillic ≥60%, Latin ≤25%
  6. Junk filter — URL density ≤5/1K chars, ≤5 HTML tags, special char ratio ≤40%, no boilerplate patterns
  7. Gzip repetition — compression ratio ≥0.20 (filters repetitive/degenerate text)
  8. FastText LID — language identification: kk confidence ≥0.50, gap to nearest rival ≥0.10
  9. Exact dedup — MD5-based deduplication across all sources (1,033 duplicates removed)

Rejection Statistics

Reason Count
no_kaz_chars 1,888,456
too_few_words 323,914
too_short 255,993
lid_rejected 74,315
junk 45,297
script_profile 19,871
gzip_repetition 10,706
dedup 1,033

Fields

  • text (string) — cleaned text content
  • source (string) — origin dataset identifier (e.g., md_oscar, md_leipzig)

Usage

from datasets import load_dataset

ds = load_dataset("Abzalbek89/corpus_clean")

# Access splits
train = ds["train"]
val = ds["validation"]

print(train[0]["text"][:200])
print(train[0]["source"])

License

Apache 2.0

Downloads last month
39