sourced 发布 Public Git Archive 数据集, 应用在 源代码分析、机器学习 领域

sourced 本次发布的数据集 Public Git Archive, Public Git Archive是由sourced创建的一个大规模代码数据集，包含182,014个GitHub上顶级的Git仓库，总存储量为3.0TB。该数据集通过优化后的数据检索管道生成，采用Siva格式高效存储分支仓库，减少数据下载和存储的需求。数据集主要用于大规模源代码分析和机器学习在源代码上的应用，旨在支持数据驱动的语言设计、最佳实践的推断以及为机器学习技术提供大量数据，以推动下一代开发工具的发展。

查看Public Git Archive

README 内容： 

关于 arXiv , arXiv 是一个免费分发服务和开放获取的学术文章档案库，涵盖了物理学、数学、计算机科学、定量生物学、定量金融、统计学、电气工程和系统科学以及经济学等领域。该网站上的材料并未经过 arXiv 的同行评审。