首先，在搜索數(shù)據(jù)集時要記住這幾點：

♦  數(shù)據(jù)集不應(yīng)該是混亂的，因為你不希望花費大量時間來清理數(shù)據(jù)。

♦  數(shù)據(jù)集不應(yīng)包含太多行或列，要很容易使用。

♦  數(shù)據(jù)越干凈越好，因為清理大型數(shù)據(jù)集可能非常耗時。

這個數(shù)據(jù)集應(yīng)該可以回答一個非常有趣的問題。

話不多說，開始吧!

數(shù)據(jù)集查找器

Kaggle：一個包含各種外部貢獻(xiàn)數(shù)據(jù)集的數(shù)據(jù)科學(xué)網(wǎng)站。你可以在其主列表中找到各種合適的數(shù)據(jù)集，從拉面評級到籃球數(shù)據(jù)，甚至是西雅圖寵物許可證，應(yīng)有盡有。

https://www.kaggle.com/

UCI 機(jī)器學(xué)習(xí)庫：網(wǎng)絡(luò)上最古老的數(shù)據(jù)集源之一，是尋找有趣的數(shù)據(jù)集的第一站。雖然這里的數(shù)據(jù)集是用戶貢獻(xiàn)的，因此清潔度不一，但絕大多數(shù)都是干凈的。你可以直接從 UCI 機(jī)器學(xué)習(xí)庫下載數(shù)據(jù)，無需注冊。

http://mlr.cs.umass.edu/ml/

一般數(shù)據(jù)集

政府公開數(shù)據(jù)集

Data.gov：該網(wǎng)站可以從多個美國政府機(jī)構(gòu)下載數(shù)據(jù)。數(shù)據(jù)范圍從政府預(yù)算到學(xué)�？冃Х�?jǐn)?shù)。但請注意：大部分?jǐn)?shù)據(jù)有待進(jìn)一步研究。

https://www.data.gov/

食物環(huán)境地圖集：包含當(dāng)?shù)厥澄镞x擇如何影響美國飲食的數(shù)據(jù)。

https://catalog.data.gov/dataset/food-environment-atlas-f4a22

學(xué)校系統(tǒng)財務(wù)：對美國學(xué)校系統(tǒng)財務(wù)狀況的調(diào)查。

https://catalog.data.gov/dataset/annual-survey-of-school-system-finances

慢性病數(shù)據(jù)：美國各地區(qū)慢性病指標(biāo)數(shù)據(jù)。

https://catalog.data.gov/dataset/u-s-chronic-disease-indicators-cdi-e50c9

美國國家教育統(tǒng)計中心：來自美國和世界各地的教育機(jī)構(gòu)和教育人口統(tǒng)計數(shù)據(jù)。

https://nces.ed.gov/

英國數(shù)據(jù)服務(wù)：英國最大的社會、經(jīng)濟(jì)和人口數(shù)據(jù)集。

https://www.ukdataservice.ac.uk/

Data USA：美國公共數(shù)據(jù)的全面可視化。

http://datausa.io/

金融與經(jīng)濟(jì)

Quandl：經(jīng)濟(jì)和金融數(shù)據(jù)很好的數(shù)據(jù)源，有助于建立預(yù)測經(jīng)濟(jì)指標(biāo)或股票價格模型。

https://www.quandl.com/

世界銀行開放數(shù)據(jù)：涵蓋全球人口統(tǒng)計數(shù)據(jù)和大量經(jīng)濟(jì)和發(fā)展指標(biāo)的數(shù)據(jù)集。

https://data.worldbank.org/

國際貨幣基金組織數(shù)據(jù)：國際貨幣基金組織公布的有關(guān)國際金融、債務(wù)利率、外匯儲備、商品價格和投資的數(shù)據(jù)。

https://www.imf.org/en/Data

金融時報市場數(shù)據(jù)：來自世界各地的金融市場最新信息，包括股票價格指數(shù)、商品和外匯。

https://markets.ft.com/data/

谷歌趨勢：檢查和分析世界各地的互聯(lián)網(wǎng)搜索活動和熱門新聞報道的數(shù)據(jù)。

https://trends.google.com/trends/?q=google&ctab=0&geo=all&date=all&sort=0

美國經(jīng)濟(jì)協(xié)會(AEA)：尋找美國宏觀經(jīng)濟(jì)數(shù)據(jù)的良好來源。

https://www.aeaweb.org/resources/data/us-macro-regional

機(jī)器學(xué)習(xí)數(shù)據(jù)集

圖像

Labelme：帶圖像標(biāo)注的大型數(shù)據(jù)集。

http://labelme.csail.mit.edu/Release3.0/browserTools/php/dataset.php

ImageNet：業(yè)界最新算法圖像數(shù)據(jù)集。根據(jù) WordNet 層次結(jié)構(gòu)進(jìn)行組織，其中層次結(jié)構(gòu)的每個節(jié)點由數(shù)百和數(shù)千個圖像描述。

http://image-net.org/

LSUN：有眾多輔助任務(wù)的場景理解(房間布局估計、特點預(yù)測等)

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

MS COCO：通用圖像理解和字幕。

http://mscoco.org/

COIL100：100 個不同的物體，在 360 度旋轉(zhuǎn)的每個角度成像。

http://www1.cs.columbia.edu/CAVE/software/softlib/coil-100.php

視覺基因組：非常詳細(xì)的視覺知識庫，帶有~100K 圖像的字幕。

http://visualgenome.org/

谷歌的開放圖像：在知識共享版權(quán)下的 900 萬個圖像網(wǎng)址集合，“超過 6000 個類別標(biāo)簽注釋”。

https://ai.googleblog.com/2016/09/introducing-open-images-dataset.html

Labelled Faces in the Wild：13,000 張人臉標(biāo)記圖像，用于開發(fā)人臉識別應(yīng)用程序。

http://vis-www.cs.umass.edu/lfw/

斯坦福狗數(shù)據(jù)集：包含 20,580 張圖片和 120 種不同的狗品種。

http://vision.stanford.edu/aditya86/ImageNetDogs/

室內(nèi)場景識別：一種非常特殊的數(shù)據(jù)集，因為大多數(shù)場景識別模型都最好建立在“室外”，這個數(shù)據(jù)集非常實用。包含 67 個室內(nèi)類別，總共 15620 張圖像。

http://web.mit.edu/torralba/www/indoor.html

情緒分析

多域情緒分析數(shù)據(jù)集：一個有點老舊的數(shù)據(jù)集，其中包含來自亞馬遜的產(chǎn)品評論。

http://www.cs.jhu.edu/~mdredze/datasets/sentiment/

IMDB 評論：一個較舊的，相對較小的二元情緒分類數(shù)據(jù)集，包含 25,000 個電影評論。

http://ai.stanford.edu/~amaas/data/sentiment/

斯坦福情緒樹庫：帶有情感注釋的標(biāo)準(zhǔn)情緒數(shù)據(jù)集。

http://nlp.stanford.edu/sentiment/code.html

Sentiment140：一個流行的數(shù)據(jù)集，使用 160,000 條預(yù)先刪除表情符號的推文。

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

Twitter 美國航空公司情緒：2015 年 2 月美國航空公司的 Twitter 數(shù)據(jù)，分類為正面、負(fù)面和中性推文。

https://www.kaggle.com/crowdflower/twitter-airline-sentiment

自然語言處理

安然數(shù)據(jù)集：來自安然高級管理層的電子郵件數(shù)據(jù)，以文件夾形式分類存放。

https://www.cs.cmu.edu/~./enron/

亞馬遜評論：包含亞馬遜 18 年來約 3500 萬條評論。數(shù)據(jù)包括產(chǎn)品和用戶信息、評級和明文審核。

https://snap.stanford.edu/data/web-Amazon.html

Google Books Ngrams：Google 圖書中的一系列文字。

https://aws.amazon.com/datasets/google-books-ngrams/

Blogger Corpus：收集了來自 blogger.com 的 681288 篇博文。每個博客至少包含 200 個常用英語單詞。

http://u.cs.biu.ac.il/~koppel/BlogCorpus.htm

維基百科鏈接數(shù)據(jù)：維基百科全文。該數(shù)據(jù)集包含來自 400 多萬篇文章的近 19 億個單詞。你可以按段落、短語或段落本身的一部分進(jìn)行搜索。

https://code.google.com/archive/p/wiki-links/downloads

Gutenberg 電子書列表：Project Gutenberg 的電子書注釋列表。

http://www.gutenberg.org/wiki/Gutenberg:Offline_Catalogs

加拿大議會議事錄：來自第 36 屆加拿大議會記錄的 130 萬對文本。

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

Jeopardy：來自有獎競猜節(jié)目 Jeopardy 的超過 200,000 個問題歸檔。

https://www.reddit.com/r/datasets/comments/1uyd0t/200000_jeopardy_questions_in_a_json_file/

英語短信垃圾郵件集：由 5574 條英文短信垃圾郵件組成的數(shù)據(jù)集。

http://www.dt.fee.unicamp.br/~tiago/smsspamcollection/

Yelp 評論：Yelp 發(fā)布的一個開放數(shù)據(jù)集，包含超過 500 萬條評論。

https://www.yelp.com/dataset

UCI 垃圾郵件集：一個大型垃圾郵件數(shù)據(jù)集，對垃圾郵件過濾非常有用。

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

更詳細(xì)列表：

https://gengo.ai/datasets/the-best-25-datasets-for-natural-language-processing/

自動駕駛

Berkeley DeepDrive BDD100k：目前是自動駕駛 AI 的最大數(shù)據(jù)集。包含超過 100000 個視頻，包括一天中不同時段和天氣條件下超過 1100 小時的駕駛體驗。帶注釋的圖像來自紐約和舊金山地區(qū)。

http://bdd-data.berkeley.edu/

百度 Apolloscapes：大型數(shù)據(jù)集，定義了 26 種不同的語義項目，如汽車、自行車、行人、建筑物、路燈等。

http://apolloscape.auto/

Comma.ai：超過 7 小時的高速公路駕駛數(shù)據(jù)。細(xì)節(jié)包括汽車的速度、加速度、轉(zhuǎn)向角和 GPS 坐標(biāo)。

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

牛津的機(jī)器人汽車：在英國牛津的同一條路線重復(fù)行駛 100 多次、耗時一年多收集的數(shù)據(jù)集。該數(shù)據(jù)集包含天氣、交通和行人的不同組合，以及建筑和道路工程等長期變化。

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

城市景觀數(shù)據(jù)集：一個大型數(shù)據(jù)集，記錄 50 個不同城市的城市街景。

https://www.cityscapes-dataset.com/

CSSAD 數(shù)據(jù)集：此數(shù)據(jù)集對于自動駕駛車輛的感知和導(dǎo)航非常有用。但該數(shù)據(jù)集嚴(yán)重偏向發(fā)達(dá)國家的道路情況。

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

KUL 比利時交通標(biāo)志數(shù)據(jù)集：比利時法蘭德斯地區(qū)數(shù)以千計的物理交通標(biāo)志，有超過 10000 多個交通標(biāo)志注釋。

http://www.vision.ee.ethz.ch/~timofter/traffic_signs/

麻省理工學(xué)院實驗室：在 AgeLab 收集的 1000 多個小時多傳感器駕駛數(shù)據(jù)集的樣本。

http://lexfridman.com/automated-synchronization-of-driving-data-video-audio-telemetry-accelerometer/

LISA：智能和安全汽車實驗室，加州大學(xué)圣地亞哥分校數(shù)據(jù)集：該數(shù)據(jù)集包括交通標(biāo)志、車輛檢測、交通信號燈和軌跡模式。

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

原文鏈接：

https://gengo.ai/datasets/the-50-best-free-datasets-for-machine-learning/

標(biāo)簽： Google 安全 大數(shù)據(jù) 電子郵件 谷歌 互聯(lián)網(wǎng) 金融 搜索 通信 網(wǎng)絡(luò)

版權(quán)申明：本站文章部分自網(wǎng)絡(luò)，如有侵權(quán)，請聯(lián)系：west999com@outlook.com
特別注意：本站所有轉(zhuǎn)載文章言論不代表本站觀點！
本站所提供的圖片等素材，版權(quán)歸原作者所有，如需使用，請與原作者聯(lián)系。