首先,在選擇數據集時要記住幾個重要標準:
數據集不能是混亂的,因爲你不希望花費大量時間整理數據。
數據集不應該有過多的行或者列,這樣才能容易處理。
數據越乾淨越好——清理大型數據集可能會非常耗時。
該數據集可以用於回答一些有趣的問題。
這樣的話,讓我們看看能找到點什麼?
查找數據集
Kaggle:一個數據科學競賽網站,其中包含大量外部貢獻的有趣數據集。你可以在它長長的列表中(https://www.kaggle.com/datasets)找到各種小衆數據集,從拉麪的評分、籃球數據,到西雅圖的寵物牌照。
UCI Machine Learning Repository:它是網絡中最古老的數據集源之一,是尋找各種有趣數據集的第一選擇。在這裏,儘管數據集都是用戶自行貢獻的,但清潔程度仍然很高。此外,你可以直接從 UCI Machine Learning Repository 上下載數據,無需註冊。
通用數據集
公共政府數據集Data.gov:這個網站可以從多個美國政府機構下載數據,從政府預算到學校成績。不過要注意:其中的大部分數據需要進一步研究。
鏈接:https://www.data.gov/
Food Environment Atlas:包含有關本地食物選擇如何影響美國飲食習慣的數據。
鏈接:https://catalog.data.gov/dataset/food-environment-atlas-f4a22
School system finances:美國學校系統財務狀況調查。
鏈接:https://catalog.data.gov/dataset/annual-survey-of-school-system-finances
Chronic disease data:美國各地慢性病指標數據。
鏈接:https://catalog.data.gov/dataset/u-s-chronic-disease-indicators-cdi-e50c9
The US National Center for Education Statistics:美國和世界各地教育機構和教育人口統計數據。
鏈接:https://nces.ed.gov/
The UK Data Centre:英國最大的社會、經濟和人口數據收集。
鏈接:https://www.ukdataservice.ac.uk/
Data USA:美國公共數據的全面可視化。
鏈接:http://datausa.io/
金融類
Quandl:很好的財經數據來源——有助於建立預測經濟指標或股票價格的模型。
鏈接:https://www.quandl.com/
World Bank Open Data:涵蓋人口統計和世界各地大量經濟和發展指標的數據集。
鏈接:https://data.worldbank.org/
IMF Data:國際貨幣基金組織公佈有關國際金融、債務利率、外匯儲備、商品價格和投資的數據。
鏈接:https://www.imf.org/en/Data
Financial Times Market Data:世界金融市場的最新信息,包括股票價格指數、商品和外匯。
鏈接:https://markets.ft.com/data/
Google Trends:觀察和分析有關互聯網搜索活動和世界各地新聞故事趨勢的數據。
鏈接:http://www.google.com/trends?q=google&ctab=0&geo=all&date=all&sort=0
AmericanEconomic Association (AEA):尋找美國宏觀經濟數據的來源。
鏈接:https://www.aeaweb.org/resources/data/us-macro-regional
機器學習數據集
圖像
Labelme:註釋圖像的大數據集。
鏈接:http://labelme.csail.mit.edu/Release3.0/browserTools/php/dataset.php
ImageNet:著名的 ImageNet,由斯坦福大學教授李飛飛等人發起,它是面向新算法的真實圖像數據集。根據 WordNet 層次結構來組織,其中層次結構的每個節點都由成百上千個圖像來描述。
鏈接:http://image-net.org/
LSUN:場景理解和許多輔助任務(房間佈局估計、顯著性預測等)。
鏈接:http://lsun.cs.princeton.edu/2016/
MS COCO:ImageNet 之外另一個常用的圖像數據集,包含通用圖像理解和註釋。
鏈接:http://cocodataset.org/
COIL100:100 個不同的物體在 360°旋轉中以每個角度成像。
鏈接:http://www1.cs.columbia.edu/CAVE/software/softlib/coil-100.php
Visual Genome:非常詳細的視覺知識庫,配有約 100K 個圖像的註釋。
鏈接:http://visualgenome.org/
Google's Open Images:Creative Commons 下的 900 萬個圖片的網址集合,「已經標註了跨越 6000 多個類別的標籤」。
鏈接:https://research.googleblog.com/2016/09/introducing-open-images-dataset.html
Labelled Faces in the Wild:13000 張貼有標籤的人臉圖像,用於開發涉及人臉識別的應用。
鏈接:http://vis-www.cs.umass.edu/lfw/
Stanford Dogs Dataset:包含 20580 個圖像和 120 個不同品種的狗類別。
鏈接:http://vision.stanford.edu/aditya86/ImageNetDogs/
Indoor Scene Recognition:非常具體的數據集,適用於大多數場景識別模型,因爲後者在「外部」表現更好。包含 67 個室內類別,總共 15620 個圖像。
鏈接:http://web.mit.edu/torralba/www/indoor.html
情感分析
Multidomain Sentiment analysis dataset:有點舊的一個數據集,以亞馬遜的產品評論爲特色。
鏈接:http://www.cs.jhu.edu/~mdredze/datasets/sentiment/
IMDB reviews:用於二進制情感分類的較舊的、相對較小的數據集,具有 25000 個電影評論。
鏈接:http://ai.stanford.edu/~amaas/data/sentiment/
Stanford Sentiment Treebank:帶有情感註釋的標準情感數據集。
鏈接:https://nlp.stanford.edu/sentiment/code.html
Sentiment140:一個流行的數據集,使用 16 萬條預先刪除表情符號的推文
鏈接:http://help.sentiment140.com/for-students/
Twitter US Airline Sentiment:2015 年 2 月以來美國航空公司的推特數據,分爲正面、負面和中性。
鏈接:https://www.kaggle.com/crowdflower/twitter-airline-sentiment
自然語言處理
Enron Dataset:Enron 公司高層管理人員的電子郵件數據,整理成文件夾。
鏈接:https://www.cs.cmu.edu/~./enron/
Amazon Reviews:包含來自亞馬遜長達 18 年的約 3500 萬條評論。數據包括產品和用戶信息、評級和明文審查。
鏈接:https://snap.stanford.edu/data/web-Amazon.html
Google Books Ngrams:Google 書籍中的詞彙集合。
鏈接:https://aws.amazon.com/cn/datasets/google-books-ngrams/
Blogger Corpus:從 blogger . com 收集的 681288 篇博客文章。每個博客至少包含 200 個常用英語單詞。
鏈接:http://u.cs.biu.ac.il/~koppel/BlogCorpus.htm
Wikipedia Links data:維基百科全文。數據集包含 400 多萬篇文章中的近 19 億字。你可以根據單詞、短語或段落本身的一部分進行搜索。
鏈接:https://code.google.com/p/wiki-links/downloads/list
Gutenberg eBooks List:古騰堡計劃電子書註釋清單。
鏈接:http://www.gutenberg.org/wiki/Gutenberg:Offline_Catalogs
Hansards text chunks of Canadian Parliament:加拿大第 36 屆國會記錄 130 萬對文本。
鏈接:https://www.isi.edu/natural-language/download/hansard/
Jeopardy:機智問答節目 Jeopardy 中存檔的 20 多萬個問題。
鏈接:https://www.reddit.com/r/datasets/comments/1uyd0t/200000jeopardyquestionsinajsonfile/
SMS Spam Collection in English:由 5574 條英文短信垃圾郵件組成的數據集
鏈接:http://www.dt.fee.unicamp.br/~tiago/smsspamcollection/
Yelp Reviews:Yelp 發佈的開放數據集包含 500 多萬條評論。
鏈接:https://www.yelp.com/dataset
UCI's Spambase:大型垃圾郵件數據集,可用於垃圾郵件過濾。
鏈接:https://archive.ics.uci.edu/ml/datasets/Spamb (https://archive.ics.uci.edu/ml/datasets/Spambase)
自動駕駛
Berkeley DeepDrive BDD100k:目前最大的自動駕駛人工智能數據集。包含 100000 多段視頻,內容涉及一天中不同時間和天氣條件下 1100 多小時的駕駛體驗。註釋圖像來自紐約和舊金山地區。
鏈接:http://bdd-data.berkeley.edu/
Baidu Apolloscapes:百度 Apollo 計劃開放的大規模自動駕駛數據集。它定義了 26 個不同語義項目,如汽車、自行車、行人、建築物、路燈等。
鏈接:http://apolloscape.auto/
Comma.ai:7 小時以上的公路行駛體驗。詳細信息包括車速、加速度、轉向角和 GPS 座標。
鏈接:https://archive.org/details/comma-dataset
Oxford's Robotic Car:一年內在英國牛津同一條路線重複 100 多次的行駛。數據集捕捉天氣、交通和行人的不同組合,以及建築和道路工程等長期變化。
鏈接:http://robotcar-dataset.robots.ox.ac.uk/
Cityscape Dataset:記錄 50 個不同城市街道場景的大型數據集。
鏈接:https://www.cityscapes-dataset.com/
CSSAD Dataset:該數據集可用於自主車輛的感知和導航。數據集在發達國家的道路上出現嚴重偏差。
鏈接:http://aplicaciones.cimat.mx/Personal/jbhayet/ccsad-dataset
KUL Belgium Traffic Sign Dataset:比利時佛蘭德區數以千計截然不同的超過 10000 個的交通標誌標註。
鏈接:http://www.vision.ee.ethz.ch/~timofter/traffic_signs/
MIT AGE Lab:在 AgeLab 收集的 1000 多個小時的多傳感器驅動數據集樣本。
鏈接:http://lexfridman.com/carsync/
LISA: Laboratory for Intelligent & Safe Automobiles, UC San Diego Datasets:此數據集包括交通標誌、車輛檢測、交通燈和軌跡模式。
鏈接:http://cvrr.ucsd.edu/LISA/datasets.html
如果你知道本文中有哪些漏掉的重要數據集,歡迎留言補充。
原文鏈接:https://gengo.ai/articles/the-50-best-free-datasets-for-machine-learning/