Hub documentation
Veri Tasarımcısı
Tek Oturum Açma (SSO) Denetim Kayıtları Depolama Bölgeleri Özel veri setleri için Data Studio Kaynak Grupları (Erişim Denetimi) Gelişmiş Hesaplama Seçenekleri Gelişmiş Güvenlik Token Yönetimi Hizmet Hesapları Yayıncı Analitiği Gating Grup Koleksiyonları Ağ Güvenliği İndirme Analitiği Hız Sınırları Blog Yazıları
PRO Plan Depolar Depolarla Başlama Depo Ayarları Depolama Sınırları Depolama Arka Ucu (Xet) Yerel Önbellek Pull Request'ler ve Tartışmalar Bildirimler Koleksiyonlar Webhook'lar GitHub Actions Notebook'lar Sonraki Adımlar Lisanslar
Modeller Model Hub Model Kartları Değerlendirme Sonuçları Liderlik Tablosu Verileri Kapılı Modeller Model Yükleme Modelleri İndirme Entegre Kütüphaneler Model Widget'leri Model Çıkarımı Modeller İndirme İstatistikleri Model Yayın Kontrol Listesi Donanım Yerel Uygulamalar Sıkça Sorulan Sorular Gelişmiş Konular
Veri Setleri Veri Setleri Genel Bakış Veri Seti Kartları Kapılı Veri Setleri Veri Setleri Yükleme Veri Setlerinin Yüklenmesi (LLM'ler için) Veri Setleri İndirme Akışkan Veri Setleri Entegre Kütüphaneler
Spaces Argilla Daft Dask Veri Setleri Veri Tasarımcısı Distilabel DuckDB Gömme Atlası fenic FiftyOne Lance Pandas Polars Spark WebDataset
Data Studio Ajan İzleri Veri Setleri İndirme İstatistikleri Spaces Genel Bakış Spaces GPU Yükseltmeleri Spaces ZeroGPU Spaces Geliştirme Modu Spaces Disk Kullanımı ve Depolama Spaces Özel Alan Adı MCP sunucuları olarak Spaces Ajan Araçları Olarak Spaces Spaces olarak API Uç Noktaları Gradio Spaces Streamlit Spaces Statik HTML Uzayları Docker Spaces Space'inizi gömün Spaces'i Docker ile çalıştırın Spaces Yapılandırma Referansı HF ile Giriş Yap düğmesi Öne Çıkan Uzaylar Spaces Güncelleme Geçmişi Gelişmiş Konular
Depolama Kovaları new Konteyner Görselleri new İşler İşler Genel Bakış Hızlı Başlangıç Fiyatlandırma ve Faturalandırma İşleri Yönet Yapılandırma Docker görüntülerini kullanma Modelleri Sun Model Eğitimi Örnekler & Eğitimler Büyük Veri Setlerini İşleme İşleri Zamanla Webhook Otomasyonu Referans
Ajanlar Ajanlar Genel Bakış Yapay Zeka Ajanları için Hugging Face CLI Hugging Face MCP Sunucusu Hugging Face Agent Skills HF SDK ile ajan oluşturma llama.cpp ile Yerel Ajanlar Ajan Kütüphaneleri Oturum İzleri Biçimi
Diğer Veri Tasarımcısı
Data Designer, LLM'ler kullanarak yüksek kaliteli sentetik veri setleri üretmek için NVIDIA NeMo'nun çerçevesidir. İstatistiksel örnekleyiciler, LLM'ler veya mevcut tohum veri setleri kullanarak çeşitli veri oluşturmanızı sağlar.
Ön koşullar
pip install data-designer
Hub'dan veri setlerini tohum olarak indirin
Üretim için tohum verisi olarak veri setlerini doğrudan Hub'dan yüklemek için HuggingFaceSeedSource kullanın.
import data_designer.config as dd
from data_designer.interface import DataDesigner
data_designer = DataDesigner()
config_builder = dd.DataDesignerConfigBuilder()
# Load seed data from HuggingFace
seed_source = dd.HuggingFaceSeedSource(
path="datasets/gretelai/symptom_to_diagnosis/data/train.parquet",
token="hf_...", # Optional, for private datasets
)
config_builder.with_seed_dataset(seed_source)
# Reference seed columns in prompts
config_builder.add_column(
dd.LLMTextColumnConfig(
name="physician_notes",
model_alias="openai-gpt-5",
prompt="Write notes for a patient with {{ diagnosis }}. Symptoms: {{ patient_summary }}",
)
)
preview = data_designer.preview(config_builder, num_records=5)Oluşturulan veri setlerini Hub'a gönderin
Üretilen veri setlerini Hub'a yüklemek için yerleşik push_to_hub yöntemini kullanın.
# Generate dataset
results = data_designer.create(config_builder, num_records=1000, dataset_name="my-dataset")
# Push to Hub
url = results.push_to_hub(
repo_id="username/my-synthetic-dataset",
description="Synthetic dataset generated with Data Designer.",
tags=["medical", "notes"],
private=False,
)Kaynaklar
- Veri Tasarımcısı Belgeleme
- GitHub Deposu
- Seed Veri Setleri Kılavuzu
- Inference Providers ile Data Designer kullanma kılavuzu