最強資料集集合：50個最佳機器學習公共資料集

最強資料集集合：50個最佳機器學習公共資料集

  原作 mlmemoirs 

郭一璞 編譯 
量子位 報導 | 公眾號 QbitAI

外國自媒體 mlmemoirs 根據github、福布斯、CMU官網等資訊，整理了一張50個最佳機器學習公共資料集的榜單，為大家分享一下~

提前說兩個須知：

尋找資料集の奧義

根據CMU的說法，尋找一個好用的資料集需要注意一下幾點：

資料集不混亂，否則要花費大量時間來清理資料。

資料集不應包含太多行或列，否則會難以使用。

資料越乾淨越好，清理大型資料集可能非常耗時。

應該預設一個有趣的問題，而這個問題又可以用資料來回答。

去哪裡找資料集

Kaggle ：愛競賽的盆友們應該很熟悉了，Kaggle上有各種有趣的資料集，拉麵評級、籃球資料、甚至西雅圖的寵物許可證。

UCI 機器學習庫 ：最古老的資料集源之一，是尋找有趣資料集的第一站。雖然資料集是使用者貢獻的，因此具有不同的清潔度，但絕大多數都是乾淨的，可以直接從UCI機器學習庫下載，無需註冊。

VisualData ：分好類的計算機視覺資料集，可以搜尋~

好了，下面就是那50個資料集了，由於後期加上了一些補充，所以總數已經超過了50。

 

機器學習資料集

圖片

Labelme ：帶註釋的大型影像資料集。

ImageNet ：大家熟悉的ImageNet，女神李飛飛參與建立，同名比賽影響整個計算機視覺界。
http://image-net.org/

LSUN ：場景理解與許多輔助任務（房間佈局估計，顯著性預測等）

MS COCO ：同樣也是知名計算機視覺資料集，同名比賽每年都被中國人屠榜。

COIL 100   ：100個不同的物體在360度旋轉的每個角度成像。

視覺基因組：非常詳細的視覺知識庫。

谷歌開放影像：在知識共享下的900萬個影像網址集合“已經註釋了超過6000個類別的標籤”。
https://research.googleblog.com/2016/09/introducing-open-images-dataset.html

野外標記面：13000張人臉標記影像，用於開發涉及面部識別的應用程式。

史丹佛狗子資料集：20580張狗子的圖片，包括120個不同品種。

室內場景識別：包含67個室內類別，15620個影像。

情緒分析

多域情緒分析資料集：一個稍老一點的資料集，用到了來自亞馬遜的產品評論。
~mdredze/datasets/sentiment/

IMDB 評論：用於二元情緒分類的資料集，不過也有點老、有點小，有大約25000個電影評論。
~amaas/data/sentiment/

史丹佛情緒樹庫：帶有情感註釋的標準情緒資料集。

Sentiment140 ：一個流行的資料集，它使用160,000條預先刪除表情符號的推文。

Twitter 美國航空公司情緒：2015年2月美國航空公司的Twitter資料，分類為正面，負面和中性推文。
crowdflower/twitter-airline-sentiment

自然語言處理

HotspotQA 資料集：具有自然、多跳問題的問答資料集，具有支援事實的強大監督，以實現更易於解釋的問答系統。

安然資料集：來自安然高階管理層的電子郵件資料。
~./enron/

亞馬遜評論：包含18年來亞馬遜上的大約3500萬條評論，資料包括產品和使用者資訊，評級和文字稽核。

Google Books Ngrams ：Google Books中的一系列文字。

Blogger Corpus ：收集了來自blogger.com的681,288篇博文，每篇博文至少包含200個常用英語單詞。
~koppel/BlogCorpus.htm

維基百科連結資料：維基百科的全文，包含來自400多萬篇文章的近19億個單詞，可以按段落、短語或段落本身的一部分進行搜尋。

Gutenberg 電子書列表：Gutenberg專案中帶註釋的電子書書單。

Hansards 加拿大議會文字：來自第36屆加拿大議會記錄的130萬組文字。

Jeopardy ：來自問答節目Jeopardy的超過200,000個問題的歸檔。

英文垃圾簡訊收集：由5574條英文垃圾簡訊組成的資料集。
~tiago/smsspamcollection/

Yelp 評論：Yelp，就是美國的“大眾點評”，這是他們釋出的一個開放資料集，包含超過500萬條評論。

UCI 的Spambase：一個大型垃圾郵件資料集，對垃圾郵件過濾非常有用。

自動駕駛

Berkeley DeepDrive BDD100k ：目前最大的自動駕駛資料集，包含超過100,000個影片，其中包括一天中不同時段和天氣條件下超過1,100小時的駕駛體驗。其中帶註釋的影像來自紐約和舊金山地區。

百度Apolloscapes：度孃的大型資料集，定義了26種不同物體，如汽車、腳踏車、行人、建築物、路燈等。

Comma.ai ：超過7小時的高速公路駕駛，細節包括汽車的速度、加速度、轉向角和GPS座標。

牛津的機器人汽車：這個資料集來自牛津的機器人汽車，它於一年時間內在英國牛津的同一條路上，反反覆覆跑了超過100次，捕捉了天氣、交通和行人的不同組合，以及建築和道路工程等長期變化。

城市景觀資料集：一個大型資料集，記錄50個不同城市的城市街景。

CSSAD 資料集：此資料集對於自動駕駛車輛的感知和導航非常有用。不過，資料集嚴重偏向已開發國家的道路。

KUL 比利時交通標誌資料集：來自比利時法蘭德斯地區數以千計的實體交通標誌的超過10000條註釋。
~timofter/traffic_signs/

MIT AGE Lab ：在AgeLab收集的1,000多小時多感測器駕駛資料集的樣本。

LISA ：UC聖迭戈智慧和安全汽車實驗室的資料集，包括交通標誌、車輛檢測、交通訊號燈和軌跡模式。

博世小交通燈資料集：用於深度學習的小型交通燈的資料集。

LaRa 交通燈識別：巴黎的交通訊號燈資料集。

WPI 資料集：交通燈、行人和車道檢測的資料集。

臨床

MIMIC-III ：MIT計算生理學實驗室的公開資料集，標記了約40000名重症監護患者的健康資料，包括人口統計學、生命體徵、實驗室測試、藥物等維度。

一般資料集

除了機器學習專用的資料集，還有一些其他的一般資料集，可能很有趣~

公共政府資料集

Data.gov ：該網站可以從多個美國政府機構下載資料，包括各種奇怪的資料，從政府預算到考試分數都有。不過，其中大部分資料需要進一步研究。

食物環境地圖集：本地食材如何影響美國飲食的資料。

學校財務系統：美國學校財務系統的調查。

慢性病資料：美國各地區慢性病指標資料。

美國國家教育統計中心：教育機構和教育人口統計資料，不僅有美國的資料，也有一些世界上其他地方的資料。

英國資料服務：英國最大的社會、經濟和人口資料集。

資料美國：全面視覺化的美國公共資料。

量子位補充一句，我國國家統計局其實也不錯。

金融與經濟

Quandl ：經濟和金融資料的良好來源，有助於建立預測經濟指標或股票價格的模型。

世界銀行開放資料：全球人口統計資料，還有大量經濟和發展指標的資料集。

國際貨幣基金組織資料：國際貨幣基金組織公佈的有關國際金融，債務利率，外匯儲備，商品價格和投資的資料。

金融時報市場資料：來自世界各地的金融市場的最新資訊，包括股票價格指數，商品和外匯。

Google Trends ：世界各地的網際網路搜尋行為和熱門新聞報導的資料。

美國經濟協會：美國宏觀經濟資料。

傳送門

mlmemoirs ：50個最佳機器學習公共資料集

子曰：世界上有三個網際網路，美國網際網路、中國網際網路和歐洲網際網路。

故其中有一些連結，需要先探究科學上網方式，再開啟。

暫時手頭沒有工具怎麼辦？先收藏呀！

 

—   完   —