ITPub博客

首页 > 人工智能 > 机器学习 > 最强数据集集合:50个最佳机器学习公共数据集

最强数据集集合:50个最佳机器学习公共数据集

机器学习 作者:dicksonjyl560101 时间:2018-11-08 09:15:32 0 删除 编辑

最强数据集集合:50个最佳机器学习公共数据集

 

https://blog.csdn.net/weixin_42137700/article/details/83855588

 

外国自媒体 mlmemoirs 根据github、福布斯、CMU官网等信息,整理了一张50个最佳机器学习公共数据集的榜单,为大家分享一下~


提前说两个须知:

寻找数据集の奥义

根据CMU的说法,寻找一个好用的数据集需要注意一下几点:

数据集不混乱,否则要花费大量时间来清理数据。

数据集不应包含太多行或列,否则会难以使用。

数据越干净越好,清理大型数据集可能非常耗时。

应该预设一个有趣的问题,而这个问题又可以用数据来回答。

去哪里找数据集

Kaggle :爱竞赛的盆友们应该很熟悉了,Kaggle上有各种有趣的数据集,拉面评级、篮球数据、甚至西雅图的宠物许可证。

UCI 机器学习库 :最古老的数据集源之一,是寻找有趣数据集的第一站。虽然数据集是用户贡献的,因此具有不同的清洁度,但绝大多数都是干净的,可以直接从UCI机器学习库下载,无需注册。

VisualData :分好类的计算机视觉数据集,可以搜索~

好了,下面就是那50个数据集了,由于后期加上了一些补充,所以总数已经超过了50。

 

机器学习数据集

图片

Labelme :带注释的大型图像数据集。

ImageNet :大家熟悉的ImageNet,女神李飞飞参与创建,同名比赛影响整个计算机视觉界。
http://image-net.org/

LSUN :场景理解与许多辅助任务(房间布局估计,显着性预测等)

MS COCO :同样也是知名计算机视觉数据集,同名比赛每年都被中国人屠榜。

COIL 100 :100个不同的物体在360度旋转的每个角度成像。

视觉基因组:非常详细的视觉知识库。

谷歌开放图像:在知识共享下的900万个图像网址集合“已经注释了超过6000个类别的标签”。
https://research.googleblog.com/2016/09/introducing-open-images-dataset.html

野外标记面:13000张人脸标记图像,用于开发涉及面部识别的应用程序。

斯坦福狗子数据集:20580张狗子的图片,包括120个不同品种。

室内场景识别:包含67个室内类别,15620个图像。

情绪分析

多域情绪分析数据集:一个稍老一点的数据集,用到了来自亚马逊的产品评论。
~mdredze/datasets/sentiment/

IMDB 评论:用于二元情绪分类的数据集,不过也有点老、有点小,有大约25000个电影评论。
~amaas/data/sentiment/

斯坦福情绪树库:带有情感注释的标准情绪数据集。

Sentiment140 :一个流行的数据集,它使用160,000条预先删除表情符号的推文。

Twitter 美国航空公司情绪:2015年2月美国航空公司的Twitter数据,分类为正面,负面和中性推文。
crowdflower/twitter-airline-sentiment

自然语言处理

HotspotQA 数据集:具有自然、多跳问题的问答数据集,具有支持事实的强大监督,以实现更易于解释的问答系统。

安然数据集:来自安然高级管理层的电子邮件数据。
~./enron/

亚马逊评论:包含18年来亚马逊上的大约3500万条评论,数据包括产品和用户信息,评级和文本审核。

Google Books Ngrams :Google Books中的一系列文字。

Blogger Corpus :收集了来自blogger.com的681,288篇博文,每篇博文至少包含200个常用英语单词。
~koppel/BlogCorpus.htm

维基百科链接数据:维基百科的全文,包含来自400多万篇文章的近19亿个单词,可以按段落、短语或段落本身的一部分进行搜索。

Gutenberg 电子书列表:Gutenberg项目中带注释的电子书书单。

Hansards 加拿大议会文本:来自第36届加拿大议会记录的130万组文本。

Jeopardy :来自问答节目Jeopardy的超过200,000个问题的归档。

英文垃圾短信收集:由5574条英文垃圾短信组成的数据集。
~tiago/smsspamcollection/

Yelp 评论:Yelp,就是美国的“大众点评”,这是他们发布的一个开放数据集,包含超过500万条评论。

UCI 的Spambase:一个大型垃圾邮件数据集,对垃圾邮件过滤非常有用。

自动驾驶

Berkeley DeepDrive BDD100k :目前最大的自动驾驶数据集,包含超过100,000个视频,其中包括一天中不同时段和天气条件下超过1,100小时的驾驶体验。其中带注释的图像来自纽约和旧金山地区。

百度Apolloscapes:度娘的大型数据集,定义了26种不同物体,如汽车、自行车、行人、建筑物、路灯等。

Comma.ai :超过7小时的高速公路驾驶,细节包括汽车的速度、加速度、转向角和GPS坐标。

牛津的机器人汽车:这个数据集来自牛津的机器人汽车,它于一年时间内在英国牛津的同一条路上,反反复复跑了超过100次,捕捉了天气、交通和行人的不同组合,以及建筑和道路工程等长期变化。

城市景观数据集:一个大型数据集,记录50个不同城市的城市街景。

CSSAD 数据集:此数据集对于自动驾驶车辆的感知和导航非常有用。不过,数据集严重偏向发达国家的道路。

KUL 比利时交通标志数据集:来自比利时法兰德斯地区数以千计的实体交通标志的超过10000条注释。
~timofter/traffic_signs/

MIT AGE Lab :在AgeLab收集的1,000多小时多传感器驾驶数据集的样本。

LISA :UC圣迭戈智能和安全汽车实验室的数据集,包括交通标志、车辆检测、交通信号灯和轨迹模式。

博世小交通灯数据集:用于深度学习的小型交通灯的数据集。

LaRa 交通灯识别:巴黎的交通信号灯数据集。

WPI 数据集:交通灯、行人和车道检测的数据集。

临床

MIMIC-III :MIT计算生理学实验室的公开数据集,标记了约40000名重症监护患者的健康数据,包括人口统计学、生命体征、实验室测试、药物等维度。

一般数据集

除了机器学习专用的数据集,还有一些其他的一般数据集,可能很有趣~

公共政府数据集

Data.gov :该网站可以从多个美国政府机构下载数据,包括各种奇怪的数据,从政府预算到考试分数都有。不过,其中大部分数据需要进一步研究。

食物环境地图集:本地食材如何影响美国饮食的数据。

学校财务系统:美国学校财务系统的调查。

慢性病数据:美国各地区慢性病指标数据。

美国国家教育统计中心:教育机构和教育人口统计数据,不仅有美国的数据,也有一些世界上其他地方的数据。

英国数据服务:英国最大的社会、经济和人口数据集。

数据美国:全面可视化的美国公共数据。

量子位补充一句,我国国家统计局其实也不错。

金融与经济

Quandl :经济和金融数据的良好来源,有助于建立预测经济指标或股票价格的模型。

世界银行开放数据:全球人口统计数据,还有大量经济和发展指标的数据集。

国际货币基金组织数据:国际货币基金组织公布的有关国际金融,债务利率,外汇储备,商品价格和投资的数据。

金融时报市场数据:来自世界各地的金融市场的最新信息,包括股票价格指数,商品和外汇。

Google Trends :世界各地的互联网搜索行为和热门新闻报道的数据。

美国经济协会:美国宏观经济数据。

传送门

mlmemoirs :50个最佳机器学习公共数据集

子曰:世界上有三个互联网,美国互联网、中国互联网和欧洲互联网。

故其中有一些链接,需要先探究科学上网方式,再打开。

暂时手头没有工具怎么办?先收藏呀!



 

 

来自 “ ITPUB博客 ” ,链接:http://blog.itpub.net/29829936/viewspace-2219159/,如需转载,请注明出处,否则将追究法律责任。

请登录后发表评论 登录
全部评论
行万里路,读万卷书,阅无数人。 吃货一枚,爱吃湘菜,粤菜与杭帮菜,尝遍天下美食。 摄影爱好者,游遍名川大山,江河胡海,赏遍人间春色。 爱看电影,尤其是国产大片,好莱坞大片。英文名:Dickson Jin, 网名:风一样的BOY。精通SAP供应链咨询。2017年开始研习人工智能。

注册时间:2014-08-27

  • 博文量
    2528
  • 访问量
    3907192