力荐50个最实用的免费机器学习数据集

2019 年 1 月 01 日

力荐50个最实用的免费机器学习数据集

首先,在搜索数据集时要记住这几点:


  • 数据集不应该是混乱的,因为你不希望花费大量时间来清理数据。

  • 数据集不应包含太多行或列,要很容易使用。

  • 数据越干净越好,因为清理大型数据集可能非常耗时。

  • 这个数据集应该可以回答一个非常有趣的问题。


话不多说,开始吧!


数据集查找器


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.kaggle.com/


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.umass.edu/ml/


一般数据集


政府公开数据集


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.data.gov/


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.data.gov/dataset/food-environment-atlas-f4a22


学校系统财务:对美国学校系统财务状况的调查。


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: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.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/


Data USA:美国公共数据的全面可视化。


http://datausa.io/


金融与经济


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.quandl.com/


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.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最新信息,包括股票价格指数、商品和外汇。


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


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


美国经济协会(AEA):寻找美国宏观经济数据的良好来源。


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


机器学习数据集


图像


Labelme:带图像标注的大型数据集。


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


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://image-net.org/


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.princeton.edu/2016/


MS COCO:通用图像理解和字幕。


http://mscoco.org/


COIL100:100 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,带有~100K 图像的字幕。


http://visualgenome.org/


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


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.umass.edu/lfw/


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.stanford.edu/aditya86/ImageNetDogs/


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.mit.edu/torralba/www/indoor.html


情绪分析


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.jhu.edu/~mdredze/datasets/sentiment/


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.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,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


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.cmu.edu/~./enron/


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.stanford.edu/data/web-Amazon.html


Google Books Ngrams:Google 图书中的一系列文字。


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


Blogger Corpus:收集了来自 blogger.com 的 681288 篇博文。每个博客至少包含 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


Gutenberg 电子书列表:Project Gutenberg 的电子书注释列表。


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


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.isi.edu/natural-language/download/hansard/


Jeopardy:来自有奖竞猜节目 Jeopardy 的超过 200,000 个问题归档。


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


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.unicamp.br/~tiago/smsspamcollection/


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.yelp.com/dataset


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.uci.edu/ml/datasets/Spambase


更详细列表:


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


自动驾驶


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.berkeley.edu/


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://apolloscape.auto/


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


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.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。但该数据集严重偏向发达国家的道路情况。


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


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.ethz.ch/~timofter/traffic_signs/


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


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.ucsd.edu/LISA/datasets.html


原文链接:


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


2019 年 1 月 01 日 14:0013271
用户头像

发布了 98 篇内容, 共 54.8 次阅读, 收获喜欢 283 次。

关注

评论 2 条评论

发布
没有更多评论了
发现更多内容

手把手教你看MySQL官方文档

Simon

MySQL

数据集永久下架,微软不是第一个,MIT 也不是最后一个

神经星星

AI 计算机视觉 MIT AI 伦理 数据集

业务学习-美团闪购

第519区

Java开发连Redis都不会还想跳槽涨薪?先把Redis的知识点吃透再说

互联网架构师小马

数据库 redis 缓存 面试 找工作

最详细的Java/后端学习路线

犬来八荒

数据产品经理的具象化

松子(李博源)

大数据 产品经理 数据产品

不懂什么是高并发?看完这篇文章你可以去吊打面试官了

互联网架构师小马

高可用 高并发 高性能 高并发系统设计 多线程与高并发

蟒周刊/427:机器狗已在公开发售,支持用 Python 对其编程...

ZoomQuiet大妈

Python 大妈 蟒营® 蟒周刊 101camp

2.3万个MongoDB数据库遭黑客比特币勒索,你中招了吗?中招怎么办?

墨天轮

比特币 数据库 oracle mongodb 黑客

2020年7月国产数据库排行:华为、腾讯发新品,中兴、阿里结硕果

墨天轮

数据库 阿里 排行榜

理解Redis的内存回收机制和过期淘汰策略

老胡爱分享

redis LRU

开篇词——你所不知道的神经网络攻防

P小二

神经网络 AIPwn 对抗样本 AI安全 P小二

大数学家笛卡尔到底是怎么死的? |《隐秘的角落》

赵新龙

数学 隐秘的角落 笛卡尔

宅家复习一个月,成功入职腾讯,才知道算法实在太太太重要了

互联网架构师小马

程序员 腾讯 面试 算法 找工作

选择排序

wjchenge

猿灯塔:最详细Dubbo相关面试题

猿灯塔

系统架构师week 04 - 互联网架构总结

尔东雨田

极客大学架构师训练营

一文解决MySQL时区相关问题

Simon

MySQL 数据库

计算机操作系统基础(十)---存储管理之虚拟内存

书旅

php laravel 线程 操作系统 进程

第五周作业

武鹏

了不起的 tsconfig.json 学习指南

pingan8787

typescript 前端 Web

架构师训练营 - 第五课作业 -20200708- 一致性HASH

👑👑merlan

极客大学架构师训练营 一致性哈希

微服务网关演进之路

小楼

Java 微服务 dubbo 网关

分布式缓存 - 第五周作业

孙志平

谁没个焦虑的时段呢?

封不羁

个人成长 个人感想 程序员成长

了不起的 Webpack 构建流程学习指南

pingan8787

Java 前端 Web webpack

自由职业半年之后,我又滚回职场了...

王磊

程序员 程序员人生 程序人生

十分钟带你彻底搞懂原码、反码、补码

程序员生活志

补码 原码 反码

公司短信平台上的两万块钱,瞬间就被刷没了

古时的风筝

短信防刷 接口安全 短信轰炸机

​ “强大基座”再展能力,一朵“云”掀起国产化浪潮

Geek_116789

阿里大型企业级开发必用微服务:深入浅出SpringBoot2.x

小闫

spring jdk 后端 Java 面试 springboot

力荐50个最实用的免费机器学习数据集-InfoQ