最强数据集50个最佳机器学习公共数据,可以帮你验证idea!

原作 mlmemoirs 郭一璞 编译 量子位 报道 | 公众号 QbitAI

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,量子位为大家分享一下~

提前说两个须知:

1. 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。

2. 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。 https://www.kaggle.com/

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。 http://mlr.cs.umass.edu/ml/

VisualData:分好类的计算机视觉数据集,可以搜索~ https://www.visualdata.io/

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。

3. 机器学习数据集

图片

Labelme:带注释的大型图像数据集。 http://labelme.csail.mit.edu/Release3.0/browserTools/php/dataset.php

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) http://lsun.cs.princeton.edu/2016/

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。 http://mscoco.org/

COIL 100 :100个不同的物体在360度旋转的每个角度成像。 http://www1.cs.columbia.edu/CAVE/software/softlib/coil-100.php

视觉基因组:非常详细的视觉知识库。 http://visualgenome.org/

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。 http://vis-www.cs.umass.edu/lfw/

斯坦福狗子数据集:20580张狗子的图片,包括120个不同品种。 http://vision.stanford.edu/aditya86/ImageNetDogs/

室内场景识别:包含67个室内类别,15620个图像。 http://web.mit.edu/torralba/www/indoor.html

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。 http://www.cs.jhu.edu/~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。 http://ai.stanford.edu/~amaas/data/sentiment/

斯坦福情绪树库:带有情感注释的标准情绪数据集。 http://nlp.stanford.edu/sentiment/code.html

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。 http://help.sentiment140.com/for-students/

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。 https://www.kaggle.com/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。 https://hotpotqa.github.io/

安然数据集:来自安然高级管理层的电子邮件数据。 https://www.cs.cmu.edu/~./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。 https://snap.stanford.edu/data/web-Amazon.html

Google Books Ngrams:Google Books中的一系列文字。 https://aws.amazon.com/datasets/google-books-ngrams/

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。 http://u.cs.biu.ac.il/~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。 https://code.google.com/p/wiki-links/downloads/list

Gutenberg电子书列表:Gutenberg项目中带注释的电子书书单。 http://www.gutenberg.org/wiki/Gutenberg:Offline_Catalogs

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。 http://www.isi.edu/natural-language/download/hansard/

Jeopardy:来自问答节目Jeopardy的超过200,000个问题的归档。 http://www.reddit.com/r/datasets/comments/1uyd0t/200000_jeopardy_questions_in_a_json_file/

英文垃圾短信收集:由5574条英文垃圾短信组成的数据集。 http://www.dt.fee.unicamp.br/~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。 https://www.yelp.com/dataset

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

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。 http://bdd-data.berkeley.edu/

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。 http://apolloscape.auto/

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。 https://archive.org/details/comma-dataset

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。 http://robotcar-dataset.robots.ox.ac.uk/

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。 https://www.cityscapes-dataset.com/

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。 http://aplicaciones.cimat.mx/Personal/jbhayet/ccsad-dataset

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。 http://www.vision.ee.ethz.ch/~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。 http://lexfridman.com/automated-synchronization-of-driving-data-video-audio-telemetry-accelerometer/

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。 http://cvrr.ucsd.edu/LISA/datasets.html

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。 https://hci.iwr.uni-heidelberg.de/node/6132

LaRa交通灯识别:巴黎的交通信号灯数据集。 http://www.lara.prd.fr/benchmarks/trafficlightsrecognition

WPI数据集:交通灯、行人和车道检测的数据集。 http://computing.wpi.edu/dataset.html

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。 https://mimic.physionet.org/

4. 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。 https://www.data.gov/

食物环境地图集:本地食材如何影响美国饮食的数据。 https://catalog.data.gov/dataset/food-environment-atlas-f4a22

学校财务系统:美国学校财务系统的调查。 https://catalog.data.gov/dataset/annual-survey-of-school-system-finances

慢性病数据:美国各地区慢性病指标数据。 https://catalog.data.gov/dataset/u-s-chronic-disease-indicators-cdi-e50c9

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。 https://nces.ed.gov/

英国数据服务:英国最大的社会、经济和人口数据集。 https://www.ukdataservice.ac.uk/

数据美国:全面可视化的美国公共数据。 http://datausa.io/

量子位补充一句,我国国家统计局其实也不错。 http://www.stats.gov.cn/

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。 https://www.quandl.com/

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。 https://data.worldbank.org/

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。 https://www.imf.org/en/Data

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。 https://markets.ft.com/data/

Google Trends:世界各地的互联网搜索行为和热门新闻报道的数据。 http://www.google.com/trends?q=google&ctab=0&geo=all&date=all&sort=0

美国经济协会:美国宏观经济数据。 https://www.aeaweb.org/resources/data/us-macro-regional

5. 传送门

mlmemoirs:50个最佳机器学习公共数据集 https://medium.com/datadriveninvestor/the-50-best-public-datasets-for-machine-learning-d80e9f030279

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!

原文发布于微信公众号 - 机器学习算法与Python学习(guodongwei1991)

原文发表时间:2018-11-12

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

来自专栏机器之心

深度 | 从规则推理到数据学习:人工智能该学习人类的思维方式吗?

1578
来自专栏互扯程序

谷歌AI版“你画我猜”背后是什么样的原理?

我们先看看这个小程序是什么,打开微信小程序搜索页面,搜索“猜画小歌”,打开这个小程序,点击开始作画。小程序会先出题,告诉你画什么,20秒倒计时,你画完内容,然后...

802
来自专栏量子位

顶会ICML特别开设“怼日”Workshop,意见不同您尽管来

前有NIPS获奖者登台开炮称机器学习是炼金术,怀念质疑各种想法不严谨的“学术警察”;后有马库斯NIPS研讨会上强硬质疑哈萨比斯,认为AlphaZero依赖了某些...

951
来自专栏CDA数据分析师

Python股市数据分析教程(一):学会它,或可以实现半“智能”炒股

本篇文章是”Python股市数据分析”两部曲中的第一部分,内容基于我在犹他州立大学MATH 3900 (Data Mining)课程上的一次讲座。在这些文章中,...

7347
来自专栏CDA数据分析师

收藏丨学习数据科学不可错过的优质资源

大约两个月前,我开始学习数据科学。我并没有统计学、数学、数据科学、工程学、经济学方面的学位。说实话,在学生时代,数学和统计并不是我的强项,我更擅长语言方面。

941
来自专栏TEG云端专业号的专栏

当AI被“蒙蔽”,犯罪分子能做些什么?

我曾见过你们人类绝对无法置信的事物; 我看见战舰在猎户星座边缘被击中,燃起熊熊火光; 我看见C射线划过天国之门,闪耀在无边的幽暗中; 然而所有片段,所有瞬间,都...

2948
来自专栏新智元

【AI万圣节】MIT发布首个AI鬼故事作家,RNN和在线学习算法生成恐怖小说

【新智元导读】继去年“机器学习生成恐怖图像”后,MIT研究人员在今年的万圣节推出了“AI写恐怖故事”的项目,利用RNN和在线学习算法,结合Reddit上人类写的...

3237
来自专栏新智元

【看车知政:李飞飞团队最新成果】识别谷歌街景中汽车图像,预测人口政治倾向

来源:Stanford News 编译:常佩琦 【新智元导读】李飞飞领导的斯坦福大学视觉研究室近期将人工智能的研究成果应用到人口统计学中。研究人员通过算法对谷歌...

28011
来自专栏机器学习算法与Python学习

走近Hinton:AI教父传奇人生

三十多年以来,Geoffrey Hinton一直都处于人工智能研究的边缘地带。他像一个局外人一样坚守着一个简单的观点:计算机可以像人类一样,依靠直觉而不是规则进...

973
来自专栏大数据文摘

【知乎精选】如何准确又通俗易懂地解释大数据及其应用价值?

7484

扫码关注云+社区

领取腾讯云代金券