【機(jī)器學(xué)習(xí)】50個(gè)最佳機(jī)器學(xué)習(xí)公共數(shù)據(jù)集

• Kaggle：愛(ài)競(jìng)賽的盆友們應(yīng)該很熟悉了，Kaggle上有各種有趣的數(shù)據(jù)集，拉面評(píng)級(jí)、籃球數(shù)據(jù)、甚至西雅圖的寵物許可證。
  https://www.kaggle.com/

• UCI機(jī)器學(xué)習(xí)庫(kù)：最古老的數(shù)據(jù)集源之一，是尋找有趣數(shù)據(jù)集的第一站。雖然數(shù)據(jù)集是用戶(hù)貢獻(xiàn)的，因此具有不同的清潔度，但絕大多數(shù)都是干凈的，可以直接從UCI機(jī)器學(xué)習(xí)庫(kù)下載，無(wú)需注冊(cè)。
  http://mlr.cs.umass.edu/ml/

• VisualData：分好類(lèi)的計(jì)算機(jī)視覺(jué)數(shù)據(jù)集，可以搜索~
  https://www.visualdata.io/

• Labelme：帶注釋的大型圖像數(shù)據(jù)集。
  http://labelme.csail.mit.edu/Release3.0/browserTools/php/dataset.php

• ImageNet：大家熟悉的ImageNet，女神李飛飛參與創(chuàng)建，同名比賽影響整個(gè)計(jì)算機(jī)視覺(jué)界。
  http://image-net.org/

• LSUN：場(chǎng)景理解與許多輔助任務(wù)（房間布局估計(jì)，顯著性預(yù)測(cè)等）
  http://lsun.cs.princeton.edu/2016/

• MS COCO：同樣也是知名計(jì)算機(jī)視覺(jué)數(shù)據(jù)集，同名比賽每年都被中國(guó)人屠榜。
  http://mscoco.org/

• COIL 100 ：100個(gè)不同的物體在360度旋轉(zhuǎn)的每個(gè)角度成像。
  http://www1.cs.columbia.edu/CAVE/software/softlib/coil-100.php

• 視覺(jué)基因組：非常詳細(xì)的視覺(jué)知識(shí)庫(kù)。
  http://visualgenome.org/

• 谷歌開(kāi)放圖像：在知識(shí)共享下的900萬(wàn)個(gè)圖像網(wǎng)址集合“已經(jīng)注釋了超過(guò)6000個(gè)類(lèi)別的標(biāo)簽”。
  https://research.googleblog.com/2016/09/introducing-open-images-dataset.html

• 野外標(biāo)記面：13000張人臉標(biāo)記圖像，用于開(kāi)發(fā)涉及面部識(shí)別的應(yīng)用程序。
  http://vis-www.cs.umass.edu/lfw/

• 斯坦福狗子數(shù)據(jù)集：20580張狗子的圖片，包括120個(gè)不同品種。
  http://vision.stanford.edu/aditya86/ImageNetDogs/

• 室內(nèi)場(chǎng)景識(shí)別：包含67個(gè)室內(nèi)類(lèi)別，15620個(gè)圖像。
  http://web.mit.edu/torralba/www/indoor.html

• 多域情緒分析數(shù)據(jù)集：一個(gè)稍老一點(diǎn)的數(shù)據(jù)集，用到了來(lái)自亞馬遜的產(chǎn)品評(píng)論。
  http://www.cs.jhu.edu/~mdredze/datasets/sentiment/

• IMDB評(píng)論：用于二元情緒分類(lèi)的數(shù)據(jù)集，不過(guò)也有點(diǎn)老、有點(diǎn)小，有大約25000個(gè)電影評(píng)論。
  http://ai.stanford.edu/~amaas/data/sentiment/

• 斯坦福情緒樹(shù)庫(kù)：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(gè)流行的數(shù)據(jù)集，它使用160,000條預(yù)先刪除表情符號(hào)的推文。
  http://help.sentiment140.com/for-students/

• Twitter美國(guó)航空公司情緒：2015年2月美國(guó)航空公司的Twitter數(shù)據(jù)，分類(lèi)為正面，負(fù)面和中性推文。
  https://www.kaggle.com/crowdflower/twitter-airline-sentiment

• HotspotQA數(shù)據(jù)集：具有自然、多跳問(wèn)題的問(wèn)答數(shù)據(jù)集，具有支持事實(shí)的強(qiáng)大監(jiān)督，以實(shí)現(xiàn)更易于解釋的問(wèn)答系統(tǒng)。
  https://hotpotqa.github.io/

• 安然數(shù)據(jù)集：來(lái)自安然高級(jí)管理層的電子郵件數(shù)據(jù)。
  https://www.cs.cmu.edu/~./enron/

• 亞馬遜評(píng)論：包含18年來(lái)亞馬遜上的大約3500萬(wàn)條評(píng)論，數(shù)據(jù)包括產(chǎn)品和用戶(hù)信息，評(píng)級(jí)和文本審核。
  https://snap.stanford.edu/data/web-Amazon.html

• Google Books Ngrams：Google Books中的一系列文字。
  https://aws.amazon.com/datasets/google-books-ngrams/

• Blogger Corpus：收集了來(lái)自blogger.com的681,288篇博文，每篇博文至少包含200個(gè)常用英語(yǔ)單詞。
  http://u.cs.biu.ac.il/~koppel/BlogCorpus.htm

• 維基百科鏈接數(shù)據(jù)：維基百科的全文，包含來(lái)自400多萬(wàn)篇文章的近19億個(gè)單詞，可以按段落、短語(yǔ)或段落本身的一部分進(jìn)行搜索。
  https://code.google.com/p/wiki-links/downloads/list

• Gutenberg電子書(shū)列表：Gutenberg項(xiàng)目中帶注釋的電子書(shū)書(shū)單。
  http://www.gutenberg.org/wiki/Gutenberg:Offline_Catalogs

• Hansards加拿大議會(huì)文本：來(lái)自第36屆加拿大議會(huì)記錄的130萬(wàn)組文本。
  http://www.isi.edu/natural-language/download/hansard/

• Jeopardy：來(lái)自問(wèn)答節(jié)目Jeopardy的超過(guò)200,000個(gè)問(wèn)題的歸檔。
  http://www.reddit.com/r/datasets/comments/1uyd0t/200000_jeopardy_questions_in_a_json_file/

• 英文垃圾短信收集：由5574條英文垃圾短信組成的數(shù)據(jù)集。
  http://www.dt.fee.unicamp.br/~tiago/smsspamcollection/

• Yelp評(píng)論：Yelp，就是美國(guó)的“大眾點(diǎn)評(píng)”，這是他們發(fā)布的一個(gè)開(kāi)放數(shù)據(jù)集，包含超過(guò)500萬(wàn)條評(píng)論。
  https://www.yelp.com/dataset

• Berkeley DeepDrive BDD100k：目前最大的自動(dòng)駕駛數(shù)據(jù)集，包含超過(guò)100,000個(gè)視頻，其中包括一天中不同時(shí)段和天氣條件下超過(guò)1,100小時(shí)的駕駛體驗(yàn)。其中帶注釋的圖像來(lái)自紐約和舊金山地區(qū)。
  http://bdd-data.berkeley.edu/

• 百度Apolloscapes：度娘的大型數(shù)據(jù)集，定義了26種不同物體，如汽車(chē)、自行車(chē)、行人、建筑物、路燈等。
  http://apolloscape.auto/

• Comma.ai：超過(guò)7小時(shí)的高速公路駕駛，細(xì)節(jié)包括汽車(chē)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(chē)：這個(gè)數(shù)據(jù)集來(lái)自牛津的機(jī)器人汽車(chē)，它于一年時(shí)間內(nèi)在英國(guó)牛津的同一條路上，反反復(fù)復(fù)跑了超過(guò)100次，捕捉了天氣、交通和行人的不同組合，以及建筑和道路工程等長(zhǎng)期變化。
  http://robotcar-dataset.robots.ox.ac.uk/

• 城市景觀(guān)數(shù)據(jù)集：一個(gè)大型數(shù)據(jù)集，記錄50個(gè)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(duì)于自動(dòng)駕駛車(chē)輛的感知和導(dǎo)航非常有用。不過(guò)，數(shù)據(jù)集嚴(yán)重偏向發(fā)達(dá)國(guó)家的道路。
  http://aplicaciones.cimat.mx/Personal/jbhayet/ccsad-dataset

• KUL比利時(shí)交通標(biāo)志數(shù)據(jù)集：來(lái)自比利時(shí)法蘭德斯地區(qū)數(shù)以千計(jì)的實(shí)體交通標(biāo)志的超過(guò)10000條注釋。
  http://www.vision.ee.ethz.ch/~timofter/traffic_signs/

• MIT AGE Lab：在AgeLab收集的1,000多小時(shí)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：UC圣迭戈智能和安全汽車(chē)實(shí)驗(yàn)室的數(shù)據(jù)集，包括交通標(biāo)志、車(chē)輛檢測(cè)、交通信號(hào)燈和軌跡模式。
  http://cvrr.ucsd.edu/LISA/datasets.html

• 博世小交通燈數(shù)據(jù)集：用于深度學(xué)習(xí)的小型交通燈的數(shù)據(jù)集。
  https://hci.iwr.uni-heidelberg.de/node/6132

• LaRa交通燈識(shí)別：巴黎的交通信號(hào)燈數(shù)據(jù)集。
  http://www.lara.prd.fr/benchmarks/trafficlightsrecognition

• WPI數(shù)據(jù)集：交通燈、行人和車(chē)道檢測(cè)的數(shù)據(jù)集。
  http://computing.wpi.edu/dataset.html

• MIMIC-III：MIT計(jì)算生理學(xué)實(shí)驗(yàn)室的公開(kāi)數(shù)據(jù)集，標(biāo)記了約40000名重癥監(jiān)護(hù)患者的健康數(shù)據(jù)，包括人口統(tǒng)計(jì)學(xué)、生命體征、實(shí)驗(yàn)室測(cè)試、藥物等維度。
  https://mimic.physionet.org/

• Data.gov：該網(wǎng)站可以從多個(gè)美國(guó)政府機(jī)構(gòu)下載數(shù)據(jù)，包括各種奇怪的數(shù)據(jù)，從政府預(yù)算到考試分?jǐn)?shù)都有。不過(guò)，其中大部分?jǐn)?shù)據(jù)需要進(jìn)一步研究。
  https://www.data.gov/

• 食物環(huán)境地圖集：本地食材如何影響美國(guó)飲食的數(shù)據(jù)。
  https://catalog.data.gov/dataset/food-environment-atlas-f4a22

• 學(xué)校財(cái)務(wù)系統(tǒng)：美國(guó)學(xué)校財(cái)務(wù)系統(tǒng)的調(diào)查。
  https://catalog.data.gov/dataset/annual-survey-of-school-system-finances

• 慢性病數(shù)據(jù)：美國(guó)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(guó)國(guó)家教育統(tǒng)計(jì)中心：教育機(jī)構(gòu)和教育人口統(tǒng)計(jì)數(shù)據(jù)，不僅有美國(guó)的數(shù)據(jù)，也有一些世界上其他地方的數(shù)據(jù)。
  https://nces.ed.gov/

• 英國(guó)數(shù)據(jù)服務(wù)：英國(guó)最大的社會(huì)、經(jīng)濟(jì)和人口數(shù)據(jù)集。
  https://www.ukdataservice.ac.uk/

• 數(shù)據(jù)美國(guó)：全面可視化的美國(guó)公共數(shù)據(jù)。
  http://datausa.io/

• 中國(guó)國(guó)家統(tǒng)計(jì)局。
  http://www.stats.gov.cn/

• Quandl：經(jīng)濟(jì)和金融數(shù)據(jù)的良好來(lái)源，有助于建立預(yù)測(cè)經(jīng)濟(jì)指標(biāo)或股票價(jià)格的模型。
  https://www.quandl.com/

• 世界銀行開(kāi)放數(shù)據(jù)：全球人口統(tǒng)計(jì)數(shù)據(jù)，還有大量經(jīng)濟(jì)和發(fā)展指標(biāo)的數(shù)據(jù)集。
  https://data.worldbank.org/

• 國(guó)際貨幣基金組織數(shù)據(jù)：國(guó)際貨幣基金組織公布的有關(guān)國(guó)際金融，債務(wù)利率，外匯儲(chǔ)備，商品價(jià)格和投資的數(shù)據(jù)。
  https://www.imf.org/en/Data

• 金融時(shí)報(bào)市場(chǎng)數(shù)據(jù)：來(lái)自世界各地的金融市場(chǎng)的最新信息，包括股票價(jià)格指數(shù)，商品和外匯。
  https://markets.ft.com/data/

• Google Trends：世界各地的互聯(lián)網(wǎng)搜索行為和熱門(mén)新聞報(bào)道的數(shù)據(jù)。
  http://www.google.com/trends?q=google&ctab=0&geo=all&date=all&sort=0

• 美國(guó)經(jīng)濟(jì)協(xié)會(huì)：美國(guó)宏觀(guān)經(jīng)濟(jì)數(shù)據(jù)。
  https://www.aeaweb.org/resources/data/us-macro-regional

作者：mlmemoirs 郭一璞 編譯

往期精彩回顧




適合初學(xué)者入門(mén)人工智能的路線(xiàn)及資料下載
(圖文+視頻)機(jī)器學(xué)習(xí)入門(mén)系列下載
機(jī)器學(xué)習(xí)及深度學(xué)習(xí)筆記等資料打印
《統(tǒng)計(jì)學(xué)習(xí)方法》的代碼復(fù)現(xiàn)專(zhuān)輯
機(jī)器學(xué)習(xí)交流qq群955171419，加入微信群請(qǐng)掃碼