24个终极数据科学项目(免费获取资源)

weiwarm 2018-08-15

展开全文

初级——这部分的数据集很容易处理，使用基础的回归/分类算法就可以处理这些数据集。并且，这些数据集有足够的教程供你学习。

中级——略微有点难度。包含了需要使用有点难度的模式识别技能来处理的大中型数据集。另外，特征工程在这里可以发挥作用了。

高级——包括神经网络、深度学习、推荐系统及高维数据等。

初级

1.Iris Data数据集(花的类别识别)

Iris Data Set可能是模式识别领域学习分类技术最基本入门级的数据集，适合初学者。该数据集里面包含了150行4列个数据。

问题: 根据已有特征预测花的类别。

资源：

数据集：https://archive.ics./ml/datasets/Iris?spm=a2c4e.11153940.blogcont603256.5.333b1d6f05ZggC

教程：http://www./thoi_gian/iris-data-analysis-with-r?spm=a2c4e.11153940.blogcont603256.6.333b1d6f05ZggC

2.Loan Prediction 数据集(贷款预测)

它是保险领域最常引用的一个数据集。利用这个数据集，你可以充分体验到如何处理保险公司的数据，包括会遇到哪些挑战、需要什么策略、哪些变量会影响结果等。这是一个分类问题，数据集包含615行13列个数据。

问题: 预测一个贷款是否能够被批准。

资源：

数据集：https://datahack./contest/practice-problem-loan-prediction-iii/?spm=a2c4e.11153940.blogcont603256.7.333b1d6fYOsiOK

教程：https://www./blog/2016/01/complete-tutorial-learn-data-science-python-scratch-2/?spm=a2c4e.11153940.blogcont603256.8.333b1d6fYOsiOK

3. Bigmart Sales 数据集(零售业销售)

零售业是另一个充分利用数据分析优化商业流程的行业。我们可以利用数据科学对商品的放置、库存管理、定制供应、商品捆绑等任务进行巧妙的处理。该数据集包含了商店的交易数据，是一个回归问题，共包含8523行12列个数据。

问题：预测销量。

资源：

数据集：https://datahack./contest/practice-problem-big-mart-sales-iii/?spm=a2c4e.11153940.blogcont603256.9.333b1d6fYOsiOK

教程： https://www./blog/2016/02/bigmart-sales-solution-top-20/?spm=a2c4e.11153940.blogcont603256.10.333b1d6fYOsiOK

4.Â Boston Housing 数据集(波士顿房屋)

这是另一个模式识别领域较为常见的数据集，来自于波士顿的房地产业，是一个回归问题，数据集有506行14列个数据。这个数据集并不大，你可以尝试使用任何技术，而不用担心笔记本的内存不够。

问题：预测业主拥有房屋数量的中间值。

资源：

数据集：https://www.cs./~delve/data/boston/bostonDetail.html?spm=a2c4e.11153940.blogcont603256.11.333b1d6fYOsiOK

教程：https://www./blog/2015/11/started-machine-learning-ms-excel-xl-miner/?spm=a2c4e.11153940.blogcont603256.12.333b1d6fYOsiOK

5. Time Series Analysis数据集(时间序列分析)

时间序列是数据科学中最常用的技术之一，具有广泛的应用：预测天气预报、预测销售额、分析逐年趋势等。该数据集特定于时间序列，这里面临的挑战是预测交通方式。

问题：预测新的交通工具的交通。

资源：

数据集: https://datahack./contest/practice-problem-time-series-2/?spm=a2c4e.11153940.blogcont603256.13.333b1d6fYOsiOK

教程:https://trainings./courses/course-v1:AnalyticsVidhya+TS_101+TS_term1/about?spm=a2c4e.11153940.blogcont603256.14.333b1d6fYOsiOK

6. Wine Quality数据集(酒质量)

这是初学者最常用的数据集之一，分成了2个数据集。在这个数据集上可以同时执行回归和分类任务——异常值检测、特征选择和不平衡数据。该数据集有4898行和12列个数据。

问题：预测酒的质量。

资源：

数据集： https://archive.ics./ml/datasets/Wine+Quality?spm=a2c4e.11153940.blogcont603256.15.333b1d6fYOsiOK

教程：https://archive.ics./ml/datasets/Wine+Quality?spm=a2c4e.11153940.blogcont603256.15.333b1d6fYOsiOK

7.Â Turkiye Student Evaluation 数据集(学生课程评估)

该数据集基于学生填写不同课程的评估表，拥有不同的属性，包括出勤率、难度、分数等，是一个无监督学习问题。该数据集有5820行33列个数据。

问题：使用分类和聚类解决问题。

资源：

数据集 : https://archive.ics./ml/datasets/Wine+Qualityhttps:/archive.ics./ml/datasets/Turkiye+Student+Evaluation?spm=a2c4e.11153940.blogcont603256.17.333b1d6fYOsiOK

教程: https://sanghosuh./research/LA_EdMining_SanghoSuh.pdf?spm=a2c4e.11153940.blogcont603256.18.333b1d6fYOsiOK&file=LA_EdMining_SanghoSuh.pdf

8.Heights and Weights 数据集(身高体重预测)

这是一个相当直接的回归问题，非常适合新手。该数据集有25,000行3列(索引、高度和权重)个数据。

问题：预测一个人的身高或体重。

资源：

数据集：http://wiki.stat./socr/index.php/SOCR_Data_Dinov_020108_HeightsWeights?spm=a2c4e.11153940.blogcont603256.19.333b1d6fYOsiOK

教程：https://www3./~steve/computing_with_data/2_Motivation/motivate_ht_wt.html?spm=a2c4e.11153940.blogcont603256.20.333b1d6fYOsiOK

中级

1. Black Friday数据集(黑色星期五)

这是一个包含零售商店记录的销售交易的经典数据集，可以扩展特征工程的技能，并从每天的购物经验中对其进行理解，是一个回归问题。该数据集有550,069行12列个数据。

问题：预测购买力。

教程：

数据集：https://datahack./contest/black-friday/?spm=a2c4e.11153940.blogcont603256.21.333b1d6fYOsiOK

教程：https://discuss./t/black-friday-data-hack-reveal-your-approach/5986?spm=a2c4e.11153940.blogcont603256.22.333b1d6fYOsiOK

2. Human Activity Recognition 数据集(人类活动识别)

该数据集通过带有嵌入式惯性传感器的智能手收集了30个实验者的记录，可用于分类问题。数据集有10,299行561列个数据。

问题：预测人类活动的类别。

资源：

数据集：http://archive.ics./ml/datasets/Human+Activity+Recognition+Using+Smartphones?spm=a2c4e.11153940.blogcont603256.23.333b1d6fYOsiOK

教程： https://rstudio-pubs-static.s3./291850_859937539fb14c37b0a311db344a6016.html?spm=a2c4e.11153940.blogcont603256.24.333b1d6fYOsiOK

3. Text Mining数据集(文本挖掘)

该数据集最初来自于2007年Siam文本挖掘竞赛，包括描述某些发生故障的航班的航空安全报告，是一个多分类和高维度问题。该数据集有21,519行30,438列个数据。

问题：根据文本标签对文本进行分类。

资源：

数据集：https://yq.aliyun.com/articles/603256?spm=a2c4e.11153959.0.0.112a2dc6bqmpJ9#siam-competition2007

教程：https://wtlab./images/e-library/text_mining/Survey%20of%20Text%20Mining%202%20.pdf?spm=a2c4e.11153940.blogcont603256.26.333b1d6fYOsiOK&file=Survey%20of%20Text%20Mining%202%20.pdf

4. Trip History数据集(旅行历史)

此数据集来自美国的共享自行车服务。该数据集需要使用专业的数据处理技术，该数据集种的数据是从2010年第四季度开始按季度记录的。每个文件有7列是一个分类问题。

问题：预测用户的类别。

资源：

数据集：https://www./trip-history-data?spm=a2c4e.11153940.blogcont603256.27.333b1d6fYOsiOK

教程：https://www./blog/2015/06/solution-kaggle-competition-bike-sharing-demand/?spm=a2c4e.11153940.blogcont603256.28.333b1d6fYOsiOK

5. Million Song数据集(预测歌曲发行时间)

你知道数据科学现在也用于娱乐行业吗?这个数据集提出了一个回归任务，由515,345个观察值和90个变量组成。但是，这仅仅是原始数据库(约一百万首歌曲)中的一小部分。

问题：预测歌曲的发行时间。

资源：

数据集：http://archive.ics./ml/datasets/YearPredictionMSD?spm=a2c4e.11153940.blogcont603256.29.333b1d6fYOsiOK

教程：http://www-personal./~yjli/content/projectreport.pdf?spm=a2c4e.11153940.blogcont603256.30.333b1d6fYOsiOK&file=projectreport.pdf

6.Census Income数据集(预测人口收入)

这是一个经典的不平衡分类机器学习问题。现在，机器学习广泛应用于正被广泛用于解决不平衡问题，如癌症检测、欺诈检测等。该数据集有48,842行14列个数据。

问题：预测美国人的收入水平。

资源：数据集：http://archive.ics./ml/machine-learning-databases/census-income-mld/?spm=a2c4e.11153940.blogcont603256.31.333b1d6fYOsiOK

教程：https://cseweb./~jmcauley/cse190/reports/sp15/048.pdf?spm=a2c4e.11153940.blogcont603256.32.333b1d6fYOsiOK&file=048.pdf

7. Movie Lens数据集(电影推荐系统)

用于构建推荐系统，该数据集是数据科学行业中最受欢迎的“数据集”之一，有不同大小的数据集。这里有一个较小的数据集，包含4,000部电影，6000个用户的100万个收视率。

问题：为用户推荐电影。

资源：

数据集：http:///datasets/movielens/1m/?spm=a2c4e.11153940.blogcont603256.33.333b1d6fYOsiOK

教程：https://www./blog/2016/06/quick-guide-build-recommendation-engine-python/?spm=a2c4e.11153940.blogcont603256.34.333b1d6fYOsiOK

8. Twitter Classification数据集(预测推文)

Twitter数据已成为情感分析不可分割的一部分。该数据集大小为3MB，包含31,962条推文。

问题：预测哪些推文是令人讨厌的，哪些不是。

资源：

数据集：https://datahack./contest/practice-problem-twitter-sentiment-analysis/?spm=a2c4e.11153940.blogcont603256.35.333b1d6fYOsiOK

教程：https://github.com/abdulfatir/twitter-sentiment-analysis?spm=a2c4e.11153940.blogcont603256.36.333b1d6fYOsiOK

高级

1.识别数字的数据集

用于研究、分析和识别图像中的元素，这就是使用相机识别面部的技术，属于数字识别问题。该数据集有28,000个28*28大小的图像，总计31MB。

问题：从图像中识别数字。

资源：

数据集：https://datahack./contest/practice-problem-identify-the-digits/?spm=a2c4e.11153940.blogcont603256.37.333b1d6fYOsiOK

教程：https://www./blog/2016/10/an-introduction-to-implementing-neural-networks-using-tensorflow/?spm=a2c4e.11153940.blogcont603256.38.333b1d6fYOsiOK

2.城市声音分类

该项目旨在介绍常用的音频分类问题。该数据集由10个类别(包含来自8,732个城市声音的记录)组成。

问题：对音频进行分类。

资源：

数据集：https://datahack./contest/practice-problem-urban-sound-classification/?spm=a2c4e.11153940.blogcont603256.39.333b1d6fYOsiOK

教程：https://www./blog/2017/08/audio-voice-processing-deep-learning/?spm=a2c4e.11153940.blogcont603256.40.333b1d6fYOsiOK

3. Vox名人数据集

音频处理正迅速成为深度学习的重要领域，因此这是另一个具有挑战性的问题。此数据集收集了大型演讲者的演讲，并从YouTube中提取的名人的讲话。对于语音识别来说，这是一个很有趣的项目。该数据集包含1,251位名人发表的100,000条言论。

问题：找出声音属于哪个名人。

资源：

数据集：http://www.robots./~vgg/data/voxceleb/?spm=a2c4e.11153940.blogcont603256.41.333b1d6fYOsiOK

教程：https://www.robots./~vgg/publications/2017/Nagrani17/nagrani17.pdf?spm=a2c4e.11153940.blogcont603256.42.333b1d6fYOsiOK&file=nagrani17.pdf

4. ImageNet数据集

ImageNet提供了各种各样的问题，包括对象检测、定位、分类和屏幕分析。所有的图像都是免费的，你可以搜索任何类型的图像来构建项目。截至目前，该数据集拥有超过1500万张图片，大小超过140GB。

问题：要解决的问题会受下载图像的类型影响。

资源：

数据集：http:///download-imageurls?spm=a2c4e.11153940.blogcont603256.43.333b1d6fYOsiOK

教程：http:///download-imageurls?spm=a2c4e.11153940.blogcont603256.44.333b1d6fYOsiOK

5.芝加哥犯罪数据集

现在，每个数据科学家都希望能够处理大型数据集，是一个多分类问题。该数据集在本地提供了处理大型数据集所需的实践经验。问题很简单，但数据管理是关键!这个数据集有6,000,000个观测值。

问题：预测犯罪类型。

资源：

数据集：https://data./Public-Safety/Crimes-2001-to-present/ijzp-q8t2?spm=a2c4e.11153940.blogcont603256.45.333b1d6fYOsiOK

教程：https://yq.aliyun.com/nathanwayneholt.com/mathematicalmodeling/ChicagoCrimesReport.pdfaceholder?spm=a2c4e.11153940.blogcont603256.46.333b1d6fYOsiOK&file=ChicagoCrimesReport.pdfaceholder

6.印度演员年龄检测

对于任何深度学习爱好者来说，这是一个令人着迷的挑战。该数据集包含数千个印度演员的图像，用来预测其年龄。所有图像都是人工手动从视频帧中选取的，这就导致了尺度、姿势、表情、照明、年龄、分辨率、遮挡和化妆等的高度可变性。训练集中有19,906幅图像，测试集中有6,636幅图像。

问题：预测演员的年龄。

资源：

数据集：http:///download-imageurls?spm=a2c4e.11153940.blogcont603256.47.333b1d6fYOsiOK

教程：https://www./blog/2017/06/hands-on-with-deep-learning-solution-for-age-detection-practice-problem/?spm=a2c4e.11153940.blogcont603256.48.333b1d6fYOsiOK

7.推荐引擎数据集

这是一项高级推荐系统挑战赛。在这个项目中，你会得到以前解决的程序和数据，以及解决特定问题的时间。作为一名数据科学家，你构建的模型将协助在线评委决定向用户推荐的下一级问题。

问题：根据用户的当前状态，预测解决问题所需要的时间。

资源：

数据库：https://datahack./contest/practice-problem-recommendation-engine/?spm=a2c4e.11153940.blogcont603256.49.333b1d6fYOsiOK

8.Â VisualQA数据集

VisualQA是一个包含图像的开放式问题数据集。这些问题需要理解计算机视觉和语言，这些问题有一个自动评估指标。数据集包含265,016张图片，每张图片3个问题，且每个问题有10个标记好的答案。

问题：使用深度学习回答有关图像的开放式问题。

资源：

数据集：http://www./?spm=a2c4e.11153940.blogcont603256.50.333b1d6fYOsiOK

教程：https:///abs/1708.02711?spm=a2c4e.11153940.blogcont603256.51.333b1d6fYOsiOK&file=1708.02711

总结