vietnam-real-estates
קוד פתוחtinixaicc-by-nc-4.02026-04-04
מעל 3.5 מיליון מודעות נדל"ן מווייטנאם מרוכזות בטבלה מסודרת אחת. אם אתם בונים מודל חיזוי מחירים או חוקרים שווקים מתעוררים באסיה, זה כנראה המאגר העדכני והגדול ביותר שתמצאו בתחום.
- 699הורדות בחודש
- 35לייקים
מה זה
המאגר מכיל 3,500,744 רשומות של מודעות מכירה והשכרה שפורסמו בין יוני 2025 למרץ 2026. הנתונים נאספו ועובדו על ידי חברת TiniX AI מכל 63 המחוזות והערים בווייטנאם, אם כי רוב הנפח מגיע משני המרכזים העיקריים, הו צ'י מין סיטי עם 1,357,526 מודעות והאנוי עם 1,140,542 מודעות. שאר המחוזות מקבלים נתח קטן בהרבה.
המבנה טבלאי וכולל 19 עמודות שמתארות מאפיינים פיזיים של הנכס, כמו שטח במ"ר, מספר קומות, חדרי שינה ושירותים, רוחב חזית ועומק המבנה. יש כאן גם נתונים טקסטואליים של שמות המודעות והתיאור המלא שלהן, לצד שיוך גיאוגרפי עד רמת הרובע והרחוב, כיווני אוויר, תאריך פרסום ומחיר נקוב בדונג וייטנאמי.
מתאים ל
- חיזוי מחירי נדל"ן
אימון מודלי רגרסיה על מאפייני שטח, חדרים ומיקום כדי להעריך שווי נכסים בדונג וייטנאמי.
- עיבוד שפה טבעית בווייטנאמית
אימון או כוונון עדין של מודלי שפה על תיאורי נכסים מקומיים שמנוקים ממספרי טלפון.
- ניתוח מרחבי של שוק הדיור
מיפוי היצע וביקוש ברמת מחוזות ורבעים בווייטנאם על בסיס קואורדינטות וכתובות.
איפה זה נופל
כל הטקסט במאגר, כולל שמות הנכסים והתיאורים, כתוב בווייטנאמית בלבד. אין כאן מילה באנגלית או בעברית, כך שכל עיבוד שפה דורש מודל שמכיר את השפה המקומית היטב. בנוסף, קיימת סתירה פנימית בתיעוד לגבי סוגי הנכסים, בפסקה אחת נכתב שסוננו החוצה בתים על הרחוב ובתים בסמטאות, אך בטבלה מאוחרת יותר סוגים אלה מופיעים. צריך לבדוק היטב את התפלגות הנתונים בשטח כדי לא לחטוף הטיות קשות, במיוחד לאור העובדה שיותר משני שלישים מהרשומות מגיעות משתי ערים בלבד.
שאלות
נפוצות
האם מותר להשתמש במאגר לפיתוח מוצר מסחרי?
לא, הרישיון המוגדר הוא CC BY-NC 4.0 שמונע במפורש כל פעילות עסקית או רווחית. מותר להשתמש בנתונים למחקר אקדמי וללמידה בלבד. אם רוצים להשתמש במידע במוצר חי, חייבים לפנות ישירות לצוות של TiniX AI לקבלת אישור בכתב.
האם יש במאגר נתונים באנגלית או בעברית?
אין שום מידע בשפות האלה, כל שמות הנכסים והתיאורים המלאים מופיעים בווייטנאמית בלבד. גם שמות המחוזות והרבעים כתובים בשפה המקומית. מפתחים ישראלים שרוצים לעבוד עם הטקסט יצטרכו להשתמש במודלי שפה מותאמים לווייטנאמית או לתרגם את המידע.
כמה רשומות יש בדאטהסט ואיך הוא מחולק?
יש בדיוק 3,500,744 שורות בטבלה שמכסות פרסומים מיוני 2025 עד מרץ 2026. כל הנתונים ארוזים בעשרה קבצי Parquet שמיועדים לעיבוד מקבילי ומהיר. הקבצים כוללים מודעות מכל 63 המחוזות של וייטנאם.
האם הטקסטים מכילים מידע אישי ומספרי טלפון?
לפי יוצרי המאגר, הטקסטים עברו ניקוי מוקדם של קוד HTML ופרטי התקשרות. מספרי הטלפון הוסרו משדות הכותרת והתיאור כדי לשמור על פרטיות המפרסמים. עם זאת, תמיד מומלץ לבצע בדיקה מדגמית משלכם לפני שמזינים את הטקסט למודל.
איך טוענים
טוענים את הנתונים ישירות דרך הספרייה datasets של Hugging Face באמצעות השם tinixai/vietnam-real-estates. המאגר פתוח לכולם ולא דורש אישור גישה מראש. הקבצים שמורים בפורמט Parquet ומחולקים לעשרה חלקים שונים, מה שמקל על הורדה במקביל. עמודת המחיר מכילה ערכי null במקרים שבהם המוכר לא חשף את העלות, כך שחובה לסנן אותם מראש לפני שרצים לאמן מודלים של רגרסיה.
from datasets import load_dataset
ds = load_dataset("tinixai/vietnam-real-estates")הרישיון
הרישיון הוא CC BY-NC 4.0, מה שאומר שהשימוש מותר רק למטרות מחקר, לימודים וניסויים אישיים. חל איסור מוחלט להשתמש במידע לכל צורך מסחרי בלי אישור מפורש ובכתב מבעלי המאגר. אם אתם מאמנים מודל שמיועד להשתלב במוצר רווחי, הדאטהסט הזה לא מתאים לכם מבחינה חוקית. בנוסף, חובה לתת קרדיט מלא ליוצרים בעת פרסום תוצאות.
- שינוי הקוד
- חובת ייחוס
- שימוש מסחרי: לא