原作 mlmemoirs,郭一璞 编译

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:

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。

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。

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/

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

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!

声明:本文来自量子位,版权归作者所有。文章内容仅代表作者独立观点,不代表安全内参立场,转载目的在于传递更多信息。如有侵权,请联系 anquanneican@163.com。