首先,在搜索数据集时要记住这几点:
话不多说,开始吧! 数据集查找器 1、Kaggle:一个包含各种外部贡献数据集的数据科学网站。你可以在其主列表中找到各种合适的数据集,从拉面评级到篮球数据,甚至是西雅图宠物许可证,应有尽有。 https://www./ 2、UCI 机器学习库:网络上最古老的数据集源之一,是寻找有趣的数据集的第一站。虽然这里的数据集是用户贡献的,因此清洁度不一,但绝大多数都是干净的。你可以直接从 UCI 机器学习库下载数据,无需注册。 http://mlr.cs./ml/ 一般数据集 政府公开数据集 3、Data.gov:该网站可以从多个美国政府机构下载数据。数据范围从政府预算到学校绩效分数。但请注意:大部分数据有待进一步研究。 https://www./ 4、食物环境地图集:包含当地食物选择如何影响美国饮食的数据。 https://catalog./dataset/food-environment-atlas-f4a22 5、学校系统财务:对美国学校系统财务状况的调查。 https://catalog./dataset/annual-survey-of-school-system-finances 6、慢性病数据:美国各地区慢性病指标数据。 https://catalog./dataset/u-s-chronic-disease-indicators-cdi-e50c9 7、美国国家教育统计中心:来自美国和世界各地的教育机构和教育人口统计数据。 https://nces./ 8、英国数据服务:英国最大的社会、经济和人口数据集。 https://www./ 9、Data USA:美国公共数据的全面可视化。 http:/// 金融与经济 10、Quandl:经济和金融数据很好的数据源,有助于建立预测经济指标或股票价格模型。 https://www./ 11、世界银行开放数据:涵盖全球人口统计数据和大量经济和发展指标的数据集。 https://data./ 12、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./en/Data 13、金融时报市场数据:来自世界各地的金融市场最新信息,包括股票价格指数、商品和外汇。 https://markets./data/ 14、谷歌趋势:检查和分析世界各地的互联网搜索活动和热门新闻报道的数据。 https://trends.google.com/trends/?q=google&ctab=0&geo=all&date=all&sort=0 15、美国经济协会(AEA):寻找美国宏观经济数据的良好来源。 https://www./resources/data/us-macro-regional 机器学习数据集 图像 16、Labelme:带图像标注的大型数据集。 http://labelme.csail./Release3.0/browserTools/php/dataset.php 17、ImageNet:业界最新算法图像数据集。根据 WordNet 层次结构进行组织,其中层次结构的每个节点由数百和数千个图像描述。 http:/// 18、LSUN:有众多辅助任务的场景理解(房间布局估计、特点预测等) http://lsun.cs./2016/ 19、MS COCO:通用图像理解和字幕。 http:/// 20、COIL100:100 个不同的物体,在 360 度旋转的每个角度成像。 http://www1.cs./CAVE/software/softlib/coil-100.php 21、视觉基因组:非常详细的视觉知识库,带有~100K 图像的字幕。 http:/// 22、谷歌的开放图像:在知识共享版权下的 900 万个图像网址集合,“超过 6000 个类别标签注释”。 https://ai./2016/09/introducing-open-images-dataset.html 23、Labelled Faces in the Wild:13,000 张人脸标记图像,用于开发人脸识别应用程序。 http://vis-www.cs./lfw/ 24、斯坦福狗数据集:包含 20,580 张图片和 120 种不同的狗品种。 http://vision./aditya86/ImageNetDogs/ 25、室内场景识别:一种非常特殊的数据集,因为大多数场景识别模型都最好建立在“室外”,这个数据集非常实用。包含 67 个室内类别,总共 15620 张图像。 http://web./torralba/www/indoor.html 情绪分析 26、多域情绪分析数据集:一个有点老旧的数据集,其中包含来自亚马逊的产品评论。 http://www.cs./~mdredze/datasets/sentiment/ 27、IMDB 评论:一个较旧的,相对较小的二元情绪分类数据集,包含 25,000 个电影评论。 http://ai./~amaas/data/sentiment/ 28、斯坦福情绪树库:带有情感注释的标准情绪数据集。 http://nlp./sentiment/code.html 29、Sentiment140:一个流行的数据集,使用 160,000 条预先删除表情符号的推文。 http://help./for-students/ 30、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./crowdflower/twitter-airline-sentiment 自然语言处理 31、安然数据集:来自安然高级管理层的电子邮件数据,以文件夹形式分类存放。 https://www.cs./~./enron/ 32、亚马逊评论:包含亚马逊 18 年来约 3500 万条评论。数据包括产品和用户信息、评级和明文审核。 https://snap./data/web-Amazon.html 33、Google Books Ngrams:Google 图书中的一系列文字。 https://aws.amazon.com/datasets/google-books-ngrams/ 34、Blogger Corpus:收集了来自 blogger.com 的 681288 篇博文。每个博客至少包含 200 个常用英语单词。 http://u.cs./~koppel/BlogCorpus.htm 35、维基百科链接数据:维基百科全文。该数据集包含来自 400 多万篇文章的近 19 亿个单词。你可以按段落、短语或段落本身的一部分进行搜索。 https://code.google.com/archive/p/wiki-links/downloads 36、Gutenberg 电子书列表:Project Gutenberg 的电子书注释列表。 http://www./wiki/Gutenberg:Offline_Catalogs 37、加拿大议会议事录:来自第 36 届加拿大议会记录的 130 万对文本。 http://www./natural-language/download/hansard/ 38、Jeopardy:来自有奖竞猜节目 Jeopardy 的超过 200,000 个问题归档。 https://www./r/datasets/comments/1uyd0t/200000_jeopardy_questions_in_a_json_file/ 39、英语短信垃圾邮件集:由 5574 条英文短信垃圾邮件组成的数据集。 http://www.dt.fee./~tiago/smsspamcollection/ 40、Yelp 评论:Yelp 发布的一个开放数据集,包含超过 500 万条评论。 https://www./dataset 41、UCI 垃圾邮件集: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./ml/datasets/Spambase 更详细列表: https:///datasets/the-best-25-datasets-for-natural-language-processing/ 自动驾驶 42、Berkeley DeepDrive BDD100k:目前是自动驾驶 AI 的最大数据集。包含超过 100000 个视频,包括一天中不同时段和天气条件下超过 1100 小时的驾驶体验。带注释的图像来自纽约和旧金山地区。 http://bdd-data./ 43、百度 Apolloscapes:大型数据集,定义了 26 种不同的语义项目,如汽车、自行车、行人、建筑物、路灯等。 http://to/ 44、Comma.ai:超过 7 小时的高速公路驾驶数据。细节包括汽车的速度、加速度、转向角和 GPS 坐标。 https:///details/comma-dataset 45、牛津的机器人汽车:在英国牛津的同一条路线重复行驶 100 多次、耗时一年多收集的数据集。该数据集包含天气、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./ 46、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./ 47、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。但该数据集严重偏向发达国家的道路情况。 http://aplicaciones./Personal/jbhayet/ccsad-dataset 48、KUL 比利时交通标志数据集:比利时法兰德斯地区数以千计的物理交通标志,有超过 10000 多个交通标志注释。 http://www.vision.ee./~timofter/traffic_signs/ 49、麻省理工学院实验室:在 AgeLab 收集的 1000 多个小时多传感器驾驶数据集的样本。 http:///automated-synchronization-of-driving-data-video-audio-telemetry-accelerometer/ 50、LISA:智能和安全汽车实验室,加州大学圣地亚哥分校数据集:该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./LISA/datasets.html 原文链接: https:///datasets/the-50-best-free-datasets-for-machine-learning/ |
|