玩机器学习要知道哪些开源数据库?

开发 AI 和机器学习系统从来没有像现在这样方便。

类似于 TensorFlow、Torch 和 Spark 这样的开源工具,在 AI 开发者群体中已是无处不在。再加上亚马逊 AWS、Google Cloud 等云服务带来的海量计算能力,将来使用笔记本电脑来训练 ML 模型或许不再难以想象。

公众对 AI 的遐想,总忽视了数据的角色。但海量被标记、注解过的数据,是当下 AI 革命当之无愧的主要推手之一。业内研究团队和公司机构,均明白“数据民主化”的意义——使任何开发者都能获取高质量的数据来训练、测试模型,是加速 AI 技术发展的必要措施。

大多数涉及机器学习和 AI 的产品依赖于专有数据库( proprietary datasets)。它们大多是不被公开的,以保护知识产权以及防范安全风险。

即便你幸运地找到了相关公共数据库,判断后者的价值和可靠程度,又是一项让很多开发者头痛的问题。对于概念论证是如此;对于潜在的产品或者特性验证同样如此——在收集你的专有数据之前,决定该验证需要何种数据集。

有经验的开发者都知道,机器学习系统在样本数据集上展示出的优异性能,并不能保证其实际效果。许多 AI 从业人员似乎已经忘记了,数据采集和标记才是开发 AI 解决方案最难的一环。标准的数据集,可被用作验证集,或作为开发更偏向私人订制方案的起始点。

本周,Vai Technologies 的创始人、前斯坦福 SLAC 实验室 CNN 算法架构师 Luke de Oliveira,和其他几名机器学习专家谈到了这个问题。他们最后决定做一张表单,把 AI 领域含金量最高的开源数据库罗列出来,与大家分享。

计算机视觉

MNIST

标签:学术基准 经典 较旧

合理性测试(sanity check)最常用的数据库。规格为 25x25、中心的、B&W 手写数字。用 MNIST 测试非常容易,但不要因为你的模型在 MNIST 运行良好,就认为它事实上可用。

地址:https://pjreddie.com/projects/mnist-in-csv/

CIFAR 10 & CIFAR 100

标签:经典 较旧

32x32 彩色图像。虽然用得人比以前少了很多,但仍然能用它做有趣的合理性测试。

地址:https://www.cs.toronto.edu/~kriz/cifar.html

ImageNet

标签:实用 学术基准 经典

这个用不着介绍,新算法的首选图像数据集。Luke de Oliveira 表示,许多图像 API 公司从 REST 交互界面搞来的标记,与 ImageNet 1000 目录中的 WordNet 层级很接近,让人怀疑。

地址:http://image-net.org/

LSUN

标签:无

场景理解,许多其它附加任务(比如房间布局预估,显着性预测 “saliency prediction”),以及与之关联的竞赛。

地址:http://lsun.cs.princeton.edu/2016/

PASCAL VOC

标签:学术基准

一般性的图像分割和分类。对于创建现实世界中的图像注解并不是十分有用,但作为基准很不错。

地址:http://host.robots.ox.ac.uk/pascal/VOC/

SVHN

标签:学术基准

谷歌街景视图中的住宅号。可以把它当做野生的递归( recurrent) MNIST。

地址:http://ufldl.stanford.edu/housenumbers/

MS COCO

标签:无

一般性的图像理解/说明,有相关竞赛。

地址:http://mscoco.org/

Visual Genome

标签:实用

非常细致的视觉知识库,对超过十万张图像有深度注解。

地址:http://visualgenome.org/

Labeled Faces in the Wild

标签:实用 学术基准 经典 较旧

修剪过的面部区域(使用 Viola-Jones),用一个 name identifier 做过标记。其中每一个展示的人在数据集中有两个图像,这是作为他的子集。开发者经常用它来训练面部匹配系统。

地址:http://vis-www.cs.umass.edu/lfw/

自然语言

Text Classification Datasets

标签:实用 学术基准

来自论文 Zhang et al., 2015。这是有八个文字分类数据集组成的大型数据库。对于新的文字分类基准,它是最常用的。样本大小为 120K 到 3.6M,包括了从二元到 14 阶的问题。来自 DBPedia, Amazon, Yelp, Yahoo!,搜狗和 AG 的数据集。

地址:https://drive.google.com/drive/u/0/folders/0Bz8a_Dbh9Qhbfll6bVpmNUtUcFdjYmF2SEpmZUZUcVNiMUw1TWN6RDV3a0JHT3kxLVhVR2M

WikiText

标签:实用 学术基准

源自高品质维基百科文章的大型语言建模语料库。Salesforce MetaMind 维护。

地址:http://metamind.io/research/the-wikitext-long-term-dependency-language-modeling-dataset

Question Pairs

标签:实用

Quora 发布的第一个数据集,包含副本/语义近似值标记。

地址:https://data.quora.com/First-Quora-Dataset-Release-Question-Pairs

SQuAD

标签:实用 学术基准

斯坦福的问答社区数据集——适用范围较广的问题回答和阅读理解数据集。每一个回答都被作为一个 span,或者一段文本。

地址:https://rajpurkar.github.io/SQuAD-explorer/

CMU Q/A Dataset

标签:无

人工创建的仿真陈述问题/回答组合,还有维基百科文章的难度评分。

地址:http://www.cs.cmu.edu/~ark/QA-data/

Maluuba Datasets

标签:实用

为 NLP 研究人工创建的复杂数据集。

地址:https://datasets.maluuba.com/

Billion Words

标签:实用 学术基准

大型、通用型建模数据集。时常用来训练散布音(distributed)的词语表达,比如 word2vec 或 GloVe。

地址:http://www.statmt.org/lm-benchmark/

Common Crawl

标签:实用 学术基准

PB(拍字节)级别的网络爬虫。最经常被用来学习词语嵌入。可从 Amazon S3 免费获取。对于 WWW 万维网的信息采集,是一个比较有用的网络数据集。

地址:http://commoncrawl.org/the-data/

bAbi

标签:学术基准 经典

Facebook AI Research (FAIR) 推出的合成阅读理解和问题回答数据集。

地址:https://research.fb.com/projects/babi/

The Children's Book Test

标签:学术基准

Project Gutenberg(一项正版数字图书免费分享工程)儿童图书里提取的成对数据(问题加情境,回答)基准。对问答、阅读理解、仿真陈述(factoid)查询比较有用。

地址:https://research.fb.com/projects/babi/

Stanford Sentiment Treebank

标签:学术基准 经典 较旧

标准的情绪数据集,对每一句话每一个节点的语法树,都有细致的情感注解。

地址:http://nlp.stanford.edu/sentiment/code.html

20 Newsgroups

标签:经典 较旧

一个较经典的文本分类数据集。通常作为纯粹分类或者对 IR / indexing 算法验证的基准,在这方面比较有用。

地址:http://qwone.com/~jason/20Newsgroups/

Reuters

标签:经典 较旧

较老的、基于纯粹分类的数据集。文本来自于路透社新闻专线。常被用于教程之中。

地址:https://archive.ics.uci.edu/ml/datasets/Reuters-21578+Text+Categorization+Collection

IMDB

标签:经典 较旧

较老的、相对比较小的数据集。用于情绪分类。但在文学基准方面逐渐失宠,让位于更大的数据集。

地址:http://ai.stanford.edu/~amaas/data/sentiment/

UCI’s Spambase

标签:经典 较旧

较老的、经典垃圾邮件数据集,源自于 UCI Machine Learning Repository。由于数据集的管理细节,在学习私人订制垃圾信息过滤方面,这会是一个有趣的基准。

地址:https://archive.ics.uci.edu/ml/datasets/Spambase

语音

大多数语音识别数据库都是专有的——这些数据对其所有公司而言有巨大价值。绝大部分该领域的公共数据集已经很老了。

2000 HUB5 English

标签:学术基准 较旧

只包含英语的语音数据。最近一次被使用是百度的深度语音论文。

地址:https://catalog.ldc.upenn.edu/LDC2002T43

LibriSpeech

标签:学术基准

有声图书数据集,包含文字和语音。接近 500 个小时的清楚语音,来自于多名朗读者和多个有声读物,根据图书章节来组织。

地址:http://www.openslr.org/12/

VoxForge

标签:实用 学术基准

带口音英语的清晰语音数据集。如果你需要有强大的不同口音、语调识别能力,会比较有用。

地址:http://www.voxforge.org/

TIMIT

标签:学术基准 经典

只含英语的语音识别数据集。

地址:https://catalog.ldc.upenn.edu/LDC93S1

CHIME

标签:实用

含大量噪音的语音识别挑战杯数据集。它包含真实、模拟和清晰的录音:真实,是因为该数据集包含四个说话对象在四个不同吵闹环境下接近 9000 段的录音;模拟,是通过把多个环境与语音结合来生成;清晰,是指没有噪音的清楚录音。

地址:http://spandh.dcs.shef.ac.uk/chime_challenge/data.html

TED-LIUM

标签:无

TED 演讲的音频转录。包含 1495 场 TED 演讲,以及它们的完整字幕文本。

地址:http://www-lium.univ-lemans.fr/en/content/ted-lium-corpus

推荐和排名系统

Netflix Challenge

标签:经典 较旧

第一个 Kaggle 模式的数据挑战。由于盗版问题只能获得非官方版本。

地址:http://www.netflixprize.com/

MovieLens

标签:实用 学术基准 经典

不同大小的电影点评数据——一般作为协同过滤的基准。

地址:https://grouplens.org/datasets/movielens/

Million Song Dataset

标签:无

Kaggle 上的大型、富含原数据的开源数据集。对于试验混合推荐系统有价值。

地址:https://www.kaggle.com/c/msdchallenge

Last.fm

标签:实用

音乐推荐数据集,并关联相关社交网络和其他元数据。对混合系统有用处。

地址:http://grouplens.org/datasets/hetrec-2011/

网络和图

Amazon Co-Purchasing 和 Amazon Reviews

标签:学术基准

从亚马逊“买了这个的用户还买了XXX”功能抓取的数据,还有相关商品的评价数据。对于试验网络中的推荐系统有价值。

地址:http://snap.stanford.edu/data/#amazon

http://snap.stanford.edu/data/amazon-meta.html

Friendster 社交网络数据集

标签:无

在成为游戏网站之前,Friendster 发布了 103,750,348 名用户朋友名单的匿名数据。

地址:https://archive.org/details/friendster-dataset-201107

地理空间数据

OpenStreetMap

标签:实用

整个地球的矢量数据,处于免费协议下。它的旧版本包含美国人口统计部门的 TIGER 数据。

地址:http://wiki.openstreetmap.org/wiki/Planet.osm

Landsat8

标签:实用

整个地球表面的卫星拍照,每隔几周更新一次。

地址:https://landsat.usgs.gov/landsat-8

NEXRAD

标签:实用

多普勒天气雷达对美国大气情况的扫描。

地址:https://www.ncdc.noaa.gov/data-access/radar-data/nexrad

后话

人们经常认为,能在一个数据集上解决问题,就等同于有了一个能用的产品。开发者可以使用这些数据集作为验证集,或用作概念论证;但别忘了测试,或创建模拟产品运行的原型机。获取更新、更真实的数据来改善模型非常关键。成功的数据驱动型公司,往往擅长收集新的专有数据,以及改善产品性能增强竞争优势。而这往往是竞争对手难以直接 copy 的。

原文发布于微信公众号 - AI研习社(okweiwu)

原文发表时间:2017-02-24

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

发表于

我来说两句

0 条评论
登录 后参与评论

相关文章

来自专栏互联网数据官iCDO

大数据时代,用户的隐私如何守护

本文转载自雷锋网。 雷锋网(公众号:雷锋网)按:本文介绍了学术界和工业界对于用户隐私保护的努力成果,其中主要讲到了k-anonymity(k-匿名化),l-di...

6137
来自专栏磐创AI技术团队的专栏

关于TensorFlow九件你非知不可的事

【磐创AI导读】:本文内容是关于谷歌刚刚举行的Google Cloud Next 2018 大会中对TensorFlow方面新增功能和改动的几点总结。想要学习更...

941
来自专栏大数据文摘

谷歌首届TensorFlow开发者峰会 重磅发布TensorFlow 1.0 | 附主题演讲视频

1613
来自专栏AI科技大本营的专栏

谷歌联手Kaggle举办10万美元视频分类大赛

谷歌和 Kaggle 于今日宣布将举办一场新的机器学习挑战赛,该比赛要求开发人员找到自动给视频添加标签的最优方法。 这场冠军奖金高达30,000美元(排在其后的...

37714
来自专栏大数据文摘

资源 | 100+个自然语言处理数据集大放送,再不愁找不到数据!

29110
来自专栏量化投资与机器学习

我用Facebook开源神器Prophet,预测股市行情基于Python(系列2)

Prophet已经创建了所需的模型并匹配数据。Prophet在默认情况下为我们创建了变化点并将它们存储在.changepoints中。默认情况下,Prophet...

3925
来自专栏AI科技评论

学界丨如何玩转网络安全下的深度学习?最全的学习资料清单看这里

近日,外媒 KDnuggets 刊登了一篇机器学习与网络安全相关的资料大汇总,文中列出了相关数据源的获取途径,优秀的论文和书籍,以及丰富的教程。大部分都是作者在...

39210
来自专栏编程

Python数据挖掘学习路线是什么?学习Python学什么?

学习Python数据挖掘,你有明确的路线吗,学任何东西首先你要知道学习它的路线,了解了路线才能更容易学习,学习起来才不会非常费劲,进入正题,看看千锋教育的Pyt...

33910
来自专栏CSDN技术头条

Twitter开源云环境时间序列数据断层检测工具BreakoutDetection

【编者按】区别于传统环境,鉴于云环境中众多不可预测的因素和异常,其时间序列breakout检测并不容易。近日,Twitter开源了一款基于E-Divisive ...

2855
来自专栏量子位

MIT怎样教AI做虚拟家务?让它写个程序指挥自己啊 | CVPR 2018

1554

扫码关注云+社区

领取腾讯云代金券