README.md

---
annotations_creators:
- expert-generated
language:
- te
language_creators:
- expert-generated
license:
- apache-2.0
multilinguality:
- monolingual
pretty_name: Telugu Jokes
size_categories:
- n<1K
source_datasets:
- original
tags:
- food
- recipes
task_categories:
- text-generation
task_ids:
- language-modeling
---

# Summary
`aya-telugu-jokes` is an open source dataset of instruct-style records generated by webscraping a Telugu Jokes website. This was created as part of [Aya Open Science Initiative](https://sites.google.com/cohere.com/aya-en/home) from Cohere For AI.

This dataset can be used for any purpose, whether academic or commercial, under the terms of the [Apache 2.0](https://opensource.org/license/apache-2-0) License.

Supported Tasks:
- Training LLMs
- Synthetic Data Generation
- Data Augmentation

Languages: Telugu Version: 1.0

# Dataset Overview
`aya-telugu-jokes` is a corpus of more than 900 records generated by webscraping of the Telugu Jokes website. This Dataset can be used for the following task:
- Given the title of a funny conversation, generate a funny conversation based on the title.

# Intended Uses
While immediately valuable for instruction fine tuning large language models, as a corpus of instruction prompts, this dataset also presents a valuable opportunity for synthetic data generation in the methods. For example, prompt-completions could be submitted as few-shot examples to a large open language model to generate additional funny conversations and their titles.

# Dataset

## Load with Datasets
To load this dataset with Datasets, you'll just need to install Datasets as `pip install datasets --upgrade` and then use the following code:

```python
from datasets import load_dataset
ds = load_dataset('SuryaKrishna02/aya-telugu-jokes')
```

## Purpose of Collection
Telugu is a low-resource language where there no funny conversation generation instruct-style dataset to the best of my knowledge. This was created as a part of [Aya Open Science Initiative](https://sites.google.com/cohere.com/aya-en/home) from Cohere For AI to make sure Telugu is well represented in the space of AI/ML. Unlike other datasets that are limited to non-commercial use, this dataset can be used, modified, and extended for any purpose, including academic or commercial applications.

## Sources
- **Andhrajyothi Website**: Performed webscraping from [Andhrajyothi Website](https://lit.andhrajyothy.com/jokes/) which is a website consisting of funny conversations. Next, performed some pre-processing of the data like removing unwanted characters from the scraped data. Finally, converted the scraped data into Instruct-style prompts and completions.

## Templates
For the creation of instruct-style prompts and completions from the scraped data, the following one template was used:
1. Given the title of a funny conversation, generate a funny conversation based on the title.
```python
Prompt:
("{{Title}} అనే శీర్షిక తో జోక్ ఇవ్వు" /
"{{Title}} అనే టైటిల్ తో జోక్ ఇవ్వు" /
"ఒక హాస్య సంభాషణ ఇవ్వు మరియు దాని యొక్క శీర్షిక {{Title}} ఉండే లాగా ఇవ్వు." /
"ఒక చిన్న హాస్య సన్నివేశం ఇవ్వు మరియు దాని యొక్క శీర్షిక {{Title}} ఉండే లాగా ఇవ్వు." /
"ఒక చమత్కారమయిన  సంభాషణ ఇవ్వు మరియు దాని యొక్క శీర్షిక {{Title}} ఉండే లాగా ఇవ్వు." /
"ఒక చిన్న చమత్కారమయిన  సన్నివేశం ఇవ్వు మరియు దాని యొక్క శీర్షిక {{Title}} ఉండే లాగా ఇవ్వు. " /
"ఒక తమాషా అయినా సంభాషణ ఇవ్వు మరియు దాని యొక్క శీర్షిక {{Title}} ఉండే లాగా ఇవ్వు." /
"ఒక చిన్న తమాషా అయినా సన్నివేశం ఇవ్వు మరియు దాని యొక్క శీర్షిక {{Title}} ఉండే లాగా ఇవ్వు. " /
"ఒక హాస్య సంభాషణ ఇవ్వు మరియు దాని యొక్క టైటిల్ {{Title}} ఉండే లాగా ఇవ్వు." /
"ఒక చిన్న హాస్య సన్నివేశం ఇవ్వు మరియు దాని యొక్క టైటిల్ {{Title}} ఉండే లాగా ఇవ్వు." /
"ఒక చమత్కారమయిన  సంభాషణ ఇవ్వు మరియు దాని యొక్క టైటిల్ {{Title}} ఉండే లాగా ఇవ్వు." /
"ఒక చిన్న చమత్కారమయిన  సన్నివేశం ఇవ్వు మరియు దాని యొక్క టైటిల్ {{Title}} ఉండే లాగా ఇవ్వు." /
"ఒక తమాషా అయినా సంభాషణ ఇవ్వు మరియు దాని యొక్క టైటిల్ {{Title}} ఉండే లాగా ఇవ్వు." /
"ఒక చిన్న తమాషా అయినా సన్నివేశం ఇవ్వు మరియు దాని యొక్క టైటిల్ {{Title}} ఉండే లాగా ఇవ్వు.")

Completion:
శీర్షిక: {{Title}}

{{Funny Conversation}}
```

## Personal or Sensitive Data
This dataset contains public information. To our knowledge, there are no private person’s personal identifiers or sensitive information.

## Language
Telugu

# Known Limitations
- The Dataset is scraped from the Jokes Website and the contents of this dataset may reflect the bias, factual errors, inappropriate and sensitive matters.
- Although there is utmost care taken to keep the dataset as monolingual, there might be some records that may contain English Language along with Telugu.

# Contributors
[SuryaKrishna02](https://github.com/SuryaKrishna02) and [Desik98](https://github.com/desik1998)