8种寻找机器学习数据集的方法 | 附数据集资源

乾明 发自 凹非寺 量子位 出品 | 公众号 QbitAI

在训练机器学习模型时,找到合适的数据集一直是个棘手的问题。

近日,亚马逊AWS高级技术顾问Will Badr介绍了8种寻找机器学习数据集的方法。

通过这些方法,不仅能够找到大量的实验数据集及相关的描述和使用示例。在某些情况下,还会有用于训练数据集的算法代码。

以下,就是他介绍的8种方法:

1、Kaggle数据集

Kaggle的数据集中,包含了用于各种任务,不同规模的真实数据集,而且有许多不同的格式。此外,你还可以在这里找到与每个数据集相关联的交互式笔记本Kernels,这些笔记本能够在浏览器中运行。

在这里,每个数据集都是一个小的交流社区,可以讨论数据,寻找一些公开的代码,或者在Kernels中创建自己的项目。

有许多数据科学家从不同的角度对数据集进行了分析。有时候,你还可以找到解决特定问题的算法代码。

传送门: https://www.kaggle.com/datasets

2、亚马逊数据集

这里有许多不同领域的数据集,比如公共交通、生态资源、卫星图像等等。

同时也提供了一个搜索框,来帮助你寻找数据集。伴随着数据集,也有相关的描述与用法示例。

数据集存储在AWS中,如果你正在使用AWS训练机器学习模型,会非常方便,数据集的传输速度非常快。

传送门: https://registry.opendata.aws/

3、UCI机器学习数据库

这个数据库里面有100个数据集。来自加州大学信息与计算机科学学院。

数据集已经按照机器学习问题进行了分类,你可以在这里找到单变量和多变量时间序列数据集;分类、回归或推荐系统的数据集。

而且,其中的一些数据集已经清理完毕,拿走就能使用。

传送门: https://archive.ics.uci.edu/ml/datasets.html

4、谷歌数据集搜索引擎

2018年9月份,谷歌推出了这项服务,可以按名称搜索数据集。目标是收集起来成千上万不同的数据集存储库。

相关报道:

Google数据集搜索神器上线,和搜索论文一样简单

传送门: https://toolbox.google.com/datasetsearch

5、微软数据集

2018年7月,微软推出“微软研究开放数据”。涵盖计算机科学、社会科学、物理学、天文学、生物学、经济学等等多个学科领域

数据集存储在云中,用于推动全球研究团体之间的协作。收集了一系列已发表的研究中使用的精确数据集。

传送门: https://msropendata.com/

6、公共数据集资源收集

按照不同的主题对近600个数据集进行了分类,一共涉及29个主题,比如生物学、经济学、教育学等等。大多数数据集都是免费的,不过在使用前,还是检查一下许可要求比较好。

传送门: https://github.com/awesomedata/awesome-public-datasets

7、政府数据集

与政府相关的数据集寻找起来也比较容易,许多国家都会公开各种数据,以推进政务的透明化处理。比如:

欧盟开放数据集:欧洲政府的数据集

https://data.europa.eu/euodp/data/dataset

美国政府数据集:(暂时无法使用) https://www.data.gov/

中国国家统计局: http://www.stats.gov.cn/

8、计算机视觉数据

里面有各种用于计算机视觉研究数据集,可以通过特定的主题去查找数据集,比如语义分割、图像字幕、图像生成等等。也可以通过应用场景来查找数据集,比如自动驾驶汽车数据集。

传送门: https://www.visualdata.io/

One More Thing:其他数据集资源

量子位也报道过不少数据集资源,附于这里,希望能够为你带来帮助。(点击文字即可传送)

自然语言处理

非正式汉语数据集

腾讯中文词NLP数据集

DeepMind机器阅读理解数据集

计算机视觉

腾讯多标签图像数据集

谷歌地标识别数据集

吴恩达医学影像数据集

YouTube已标注视频数据集

斯坦福3D街景数据集

中科院目标追踪数据集

20万NSFW图片数据集

其他

世界银行开放数据

微软恶意软件数据集

最后的最后

遇到有缺陷的数据集该怎么办?这有一份数据处理急救包

作者系网易新闻·网易号“各有态度”签约作者

原文发布于微信公众号 - 量子位(QbitAI)

原文发表时间:2019-01-21

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

扫码关注云+社区