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