从文本处理到自动驾驶:机器学习最常用的50大免费数据集

作者: 机器之心 2018-06-16 22:54:36

机器学习领域里有哪些开放数据集?Gengo 近日发布了一份高质量免费数据集列表,其搜索范围不仅包含内容广泛(如 Kaggle),也包括高度特化的(如自动驾驶汽车专用数据集)数据集种类。

首先,在选择数据集时要记住几个重要标准:

  • 数据集不能是混乱的,因为你不希望花费大量时间整理数据。
  • 数据集不应该有过多的行或者列,这样才能容易处理。
  • 数据越干净越好——清理大型数据集可能会非常耗时。
  • 该数据集可以用于回答一些有趣的问题。

这样的话,让我们看看能找到点什么?

一、查找数据集

1. Kaggle:一个数据科学竞赛网站,其中包含大量外部贡献的有趣数据集。你可以在它长长的列表中(https://www.kaggle.com/datasets)找到各种小众数据集,从拉面的评分、篮球数据,到西雅图的宠物牌照。

2. UCI Machine Learning Repository:它是网络中最古老的数据集源之一,是寻找各种有趣数据集的第一选择。在这里,尽管数据集都是用户自行贡献的,但清洁程度仍然很高。此外,你可以直接从 UCI Machine Learning Repository 上下载数据,无需注册。

二、通用数据集

公共政府数据集

3. Data.gov:这个网站可以从多个美国政府机构下载数据,从政府预算到学校成绩。不过要注意:其中的大部分数据需要进一步研究。

链接:https://www.data.gov/

4. Food Environment Atlas:包含有关本地食物选择如何影响美国饮食习惯的数据。

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

5. School system finances:美国学校系统财务状况调查。

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

6. Chronic disease data:美国各地慢性病指标数据。

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

7. The US National Center for Education Statistics:美国和世界各地教育机构和教育人口统计数据。

链接:https://nces.ed.gov/

8. The UK Data Centre:英国最大的社会、经济和人口数据收集。

链接:https://www.ukdataservice.ac.uk/

9. Data USA:美国公共数据的全面可视化。

链接:https://datausa.io/

金融类

10. Quandl:很好的财经数据来源——有助于建立预测经济指标或股票价格的模型。

链接:https://www.quandl.com/

11. World Bank Open Data:涵盖人口统计和世界各地大量经济和发展指标的数据集。

链接:https://data.worldbank.org/

12. IMF Data:国际货币基金组织公布有关国际金融、债务利率、外汇储备、商品价格和投资的数据。

链接:https://www.imf.org/en/Data

13. Financial Times Market Data:世界金融市场的最新信息,包括股票价格指数、商品和外汇。

链接:https://markets.ft.com/data/

14. Google Trends:观察和分析有关互联网搜索活动和世界各地新闻故事趋势的数据。

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

15. AmericanEconomic Association (AEA):寻找美国宏观经济数据的来源。

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

三、机器学习数据集

图像

16. Labelme:注释图像的大数据集。

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

17. ImageNet:著名的 ImageNet,由斯坦福大学教授李飞飞等人发起,它是面向新算法的真实图像数据集。根据 WordNet 层次结构来组织,其中层次结构的每个节点都由成百上千个图像来描述。

链接:https://image-net.org/

18. LSUN:场景理解和许多辅助任务(房间布局估计、显著性预测等)。

链接:https://lsun.cs.princeton.edu/2016/

19. MS COCO:ImageNet 之外另一个常用的图像数据集,包含通用图像理解和注释。

链接:https://cocodataset.org/

20. COIL100:100 个不同的物体在 360°旋转中以每个角度成像。

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

21. Visual Genome:非常详细的视觉知识库,配有约 100K 个图像的注释。

链接:https://visualgenome.org/

22. Google's Open Images:Creative Commons 下的 900 万个图片的网址集合,「已经标注了跨越 6000 多个类别的标签」。

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

23. Labelled Faces in the Wild:13000 张贴有标签的人脸图像,用于开发涉及人脸识别的应用。

链接:https://vis-www.cs.umass.edu/lfw/

24. Stanford Dogs Dataset:包含 20580 个图像和 120 个不同品种的狗类别。

链接:https://vision.stanford.edu/aditya86/ImageNetDogs/

25. Indoor Scene Recognition:非常具体的数据集,适用于大多数场景识别模型,因为后者在「外部」表现更好。包含 67 个室内类别,总共 15620 个图像。

链接:https://web.mit.edu/torralba/www/indoor.html

情感分析

26. Multidomain Sentiment analysis dataset:有点旧的一个数据集,以亚马逊的产品评论为特色。

链接:https://www.cs.jhu.edu/~mdredze/datasets/sentiment/

27. IMDB reviews:用于二进制情感分类的较旧的、相对较小的数据集,具有 25000 个电影评论。

链接:https://ai.stanford.edu/~amaas/data/sentiment/

28. Stanford Sentiment Treebank:带有情感注释的标准情感数据集。

链接:https://nlp.stanford.edu/sentiment/code.html

29. Sentiment140:一个流行的数据集,使用 16 万条预先删除表情符号的推文

链接:https://help.sentiment140.com/for-students/

30. Twitter US Airline Sentiment:2015 年 2 月以来美国航空公司的推特数据,分为正面、负面和中性。

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

自然语言处理

31. Enron Dataset:Enron 公司高层管理人员的电子邮件数据,整理成文件夹。

链接:https://www.cs.cmu.edu/~./enron/

32. Amazon Reviews:包含来自亚马逊长达 18 年的约 3500 万条评论。数据包括产品和用户信息、评级和明文审查。

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

33. Google Books Ngrams:Google 书籍中的词汇集合。

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

34. Blogger Corpus:从 blogger . com 收集的 681288 篇博客文章。每个博客至少包含 200 个常用英语单词。

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

35. Wikipedia Links data:维基百科全文。数据集包含 400 多万篇文章中的近 19 亿字。你可以根据单词、短语或段落本身的一部分进行搜索。

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

36. Gutenberg eBooks List:古腾堡计划电子书注释清单。

链接:https://www.gutenberg.org/wiki/Gutenberg:Offline_Catalogs

37. Hansards text chunks of Canadian Parliament:加拿大第 36 届国会记录 130 万对文本。

链接:https://www.isi.edu/natural-language/download/hansard/

38. Jeopardy:机智问答节目 Jeopardy 中存档的 20 多万个问题。

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

39. SMS Spam Collection in English:由 5574 条英文短信垃圾邮件组成的数据集

链接:https://www.dt.fee.unicamp.br/~tiago/smsspamcollection/

40. Yelp Reviews:Yelp 发布的开放数据集包含 500 多万条评论。

链接:https://www.yelp.com/dataset

41. UCI's Spambase:大型垃圾邮件数据集,可用于垃圾邮件过滤。

链接:https://archive.ics.uci.edu/ml/datasets/Spamb (https://archive.ics.uci.edu/ml/datasets/Spambase)

自动驾驶

42. Berkeley DeepDrive BDD100k:目前最大的自动驾驶人工智能数据集。包含 100000 多段视频,内容涉及一天中不同时间和天气条件下 1100 多小时的驾驶体验。注释图像来自纽约和旧金山地区。

链接:https://bdd-data.berkeley.edu/

43. Baidu Apolloscapes:百度 Apollo 计划开放的大规模自动驾驶数据集。它定义了 26 个不同语义项目,如汽车、自行车、行人、建筑物、路灯等。

链接:https://apolloscape.auto/

44. Comma.ai:7 小时以上的公路行驶体验。详细信息包括车速、加速度、转向角和 GPS 坐标。

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

45. Oxford's Robotic Car:一年内在英国牛津同一条路线重复 100 多次的行驶。数据集捕捉天气、交通和行人的不同组合,以及建筑和道路工程等长期变化。

链接:https://robotcar-dataset.robots.ox.ac.uk/

46. Cityscape Dataset:记录 50 个不同城市街道场景的大型数据集。

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

47. CSSAD Dataset:该数据集可用于自主车辆的感知和导航。数据集在发达国家的道路上出现严重偏差。

链接:https://aplicaciones.cimat.mx/Personal/jbhayet/ccsad-dataset

48. KUL Belgium Traffic Sign Dataset:比利时佛兰德区数以千计截然不同的超过 10000 个的交通标志标注。

链接:https://www.vision.ee.ethz.ch/~timofter/traffic_signs/

49. MIT AGE Lab:在 AgeLab 收集的 1000 多个小时的多传感器驱动数据集样本。

链接:https://lexfridman.com/carsync/

50. LISA: Laboratory for Intelligent & Safe Automobiles, UC San Diego Datasets:此数据集包括交通标志、车辆检测、交通灯和轨迹模式。

链接:https://cvrr.ucsd.edu/LISA/datasets.html

原文链接:https://gengo.ai/articles/the-50-best-free-datasets-for-machine-learning/

【本文是51CTO专栏机构“机器之心”的原创文章,微信公众号“机器之心( id: almosthuman2014)”】

戳这里,看该作者更多好文

机器学习 数据集 文本处理 自动驾驶
上一篇:世界杯运用AI预测比分,瑞士银行此次能否靠谱? 下一篇:卷积神经网络十五问:CNN与生物视觉系统的研究探索
评论
取消
暂无评论,快去成为第一个评论的人吧

更多资讯推荐

4 分钟!OpenAI 的机器手学会单手解魔方了,完全自学无需编程 精选

OpenAI 的机器手学会单手解魔方了,而且还原一个三阶魔方全程只花了 4 分钟,其灵巧程度让人自叹不如。

佚名 ·  22h前
MIT新研究表明机器学习不能标记假新闻

麻省理工学院研究人员发表的两篇新论文显示,当前的机器学习模型还不能完成区分虚假新闻报道的任务。在不同的研究人员表明计算机可以令人信服地生成虚构新闻故事而无需太多人为监督之后,一些专家希望可以训练基于相同机器学习的系统来检测此类新闻。

佚名 ·  1天前
高位截瘫患者重新行走:靠意念指挥外骨骼,法国脑机接口新突破 精选

依靠介入头部的 2 个传感器,法国里昂的一名瘫痪男子 Thibault 实现了操控外骨骼装备来助力行走。

孙滔 ·  2天前
2008 年预测 2020 年生活方式:基本都实现了

美国皮尤研究中心曾在 2008 年预测 2020 年的生活方式,目前来看,该研究的预测基本已经实现。而对于未来 10 年,也就是 2030 年左右人们的生活,在 2017 年底的世界经济论坛上,800 多名信息和通讯技术领域的技术高管和专家给出了如下预测。

佚名 ·  2天前
机器学习的正则化是什么意思?

正则化的好处是当特征很多时,每一个特征都会对预测y贡献一份合适的力量;所以说,使用正则化的目的就是为了防止过拟合。

佚名 ·  2天前
机器学习的正则化是什么意思?

正则化的好处是当特征很多时,每一个特征都会对预测y贡献一份合适的力量;所以说,使用正则化的目的就是为了防止过拟合。

佚名 ·  2天前
为什么我的CV模型不好用?没想到原因竟如此简单……

机器学习专家 Adam Geitgey 近日发布了一篇文章探讨了这一简单却又让很多人头痛的问题,并分享了他为解决这一问题编写的自动图像旋转程序。

机器之心 ·  2天前
机器学习与预测分析的区别在何处? 精选

如今,认知学习的应用比以往更为普遍。通常意义上讲,认知学习与认知计算就是涉及AI技术与信号处理的操作过程或技术平台。

读芯术 ·  2天前
Copyright©2005-2019 51CTO.COM 版权所有 未经许可 请勿转载