外國自媒體mlmemoirs根據github、福布斯、CMU官網等信息，整理了一張50個最佳機器學習公共數據集的榜單，為大家分享一下~

作者：mlmemoirs 郭一璞 編譯??

外國自媒體mlmemoirs根據github、福布斯、CMU官網等信息，整理了一張50個最佳機器學習公共數據集的榜單，為大家分享一下~

提前說下須知：

一、尋找數據集的意義

根據CMU的說法，尋找一個好用的數據集需要注意一下幾點：

數據集不混亂，否則要花費大量時間來清理數據。

數據集不應包含太多行或列，否則會難以使用。

數據越干凈越好，清理大型數據集可能非常耗時。

應該預設一個有趣的問題，而這個問題又可以用數據來回答。

二、去哪里找數據集

• Kaggle：愛競賽的盆友們應該很熟悉了，Kaggle上有各種有趣的數據集，拉面評級、籃球數據、甚至西雅圖的寵物許可證。
  https://www.kaggle.com/

• UCI機器學習庫：最古老的數據集源之一，是尋找有趣數據集的第一站。雖然數據集是用戶貢獻的，因此具有不同的清潔度，但絕大多數都是干凈的，可以直接從UCI機器學習庫下載，無需注冊。
  http://mlr.cs.umass.edu/ml/

• VisualData：分好類的計算機視覺數據集，可以搜索~
  https://www.visualdata.io/

好了，下面就是那50個數據集了，由于后期加上了一些補充，所以總數已經超過了50。

?機器學習數據集

圖片

• Labelme：帶注釋的大型圖像數據集。
  http://labelme.csail.mit.edu/Release3.0/browserTools/php/dataset.php

• ImageNet：大家熟悉的ImageNet，女神李飛飛參與創建，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（房間布局估計，顯著性預測等）
  http://lsun.cs.princeton.edu/2016/

• MS COCO：同樣也是知名計算機視覺數據集，同名比賽每年都被中國人屠榜。
  http://mscoco.org/

• COIL 100?：100個不同的物體在360度旋轉的每個角度成像。
  http://www1.cs.columbia.edu/CAVE/software/softlib/coil-100.php

• 視覺基因組：非常詳細的視覺知識庫。
  http://visualgenome.org/

• 谷歌開放圖像：在知識共享下的900萬個圖像網址集合“已經注釋了超過6000個類別的標簽”。
  https://research.googleblog.com/2016/09/introducing-open-images-dataset.html

• 野外標記面：13000張人臉標記圖像，用于開發涉及面部識別的應用程序。
  http://vis-www.cs.umass.edu/lfw/

• 斯坦福狗子數據集：20580張狗子的圖片，包括120個不同品種。
  http://vision.stanford.edu/aditya86/ImageNetDogs/

• 室內場景識別：包含67個室內類別，15620個圖像。
  http://web.mit.edu/torralba/www/indoor.html

情緒分析

• 多域情緒分析數據集：一個稍老一點的數據集，用到了來自亞馬遜的產品評論。
  http://www.cs.jhu.edu/~mdredze/datasets/sentiment/

• IMDB評論：用于二元情緒分類的數據集，不過也有點老、有點小，有大約25000個電影評論。
  http://ai.stanford.edu/~amaas/data/sentiment/

• 斯坦福情緒樹庫：帶有情感注釋的標準情緒數據集。
  http://nlp.stanford.edu/sentiment/code.html

• Sentiment140：一個流行的數據集，它使用160,000條預先刪除表情符號的推文。
  http://help.sentiment140.com/for-students/

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

自然語言處理

• HotspotQA數據集：具有自然、多跳問題的問答數據集，具有支持事實的強大監督，以實現更易于解釋的問答系統。
  https://hotpotqa.github.io/

• 安然數據集：來自安然高級管理層的電子郵件數據。
  https://www.cs.cmu.edu/~./enron/

• 亞馬遜評論：包含18年來亞馬遜上的大約3500萬條評論，數據包括產品和用戶信息，評級和文本審核。
  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。
  http://u.cs.biu.ac.il/~koppel/BlogCorpus.htm

• 維基百科鏈接數據：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索。
  https://code.google.com/p/wiki-links/downloads/list

• Gutenberg電子書列表：Gutenberg項目中帶注釋的電子書書單。
  http://www.gutenberg.org/wiki/Gutenberg:Offline_Catalogs

• Hansards加拿大議會文本：來自第36屆加拿大議會記錄的130萬組文本。
  http://www.isi.edu/natural-language/download/hansard/

• Jeopardy：來自問答節目Jeopardy的超過200,000個問題的歸檔。
  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據集。
  http://www.dt.fee.unicamp.br/~tiago/smsspamcollection/

• Yelp評論：Yelp，就是美國的“大眾點評”，這是他們發布的一個開放數據集，包含超過500萬條評論。
  https://www.yelp.com/dataset

UCI的Spambase：一個大型垃圾郵件數據集，對垃圾郵件過濾非常有用。
https://archive.ics.uci.edu/ml/datasets/Spambase

自動駕駛

• Berkeley DeepDrive BDD100k：目前最大的自動駕駛數據集，包含超過100,000個視頻，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。其中帶注釋的圖像來自紐約和舊金山地區。
  http://bdd-data.berkeley.edu/

• 百度Apolloscapes：度娘的大型數據集，定義了26種不同物體，如汽車、自行車、行人、建筑物、路燈等。
  http://apolloscape.auto/

• 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坐標。
  https://archive.org/details/comma-dataset

• 牛津的機器人汽車：這個數據集來自牛津的機器人汽車，它于一年時間內在英國牛津的同一條路上，反反復復跑了超過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期變化。
  http://robotcar-dataset.robots.ox.ac.uk/

• 城市景觀數據集：一個大型數據集，記錄50個不同城市的城市街景。
  https://www.cityscapes-dataset.com/

• CSSAD數據集：此數據集對于自動駕駛車輛的感知和導航非常有用。不過，數據集嚴重偏向發達國家的道路。
  http://aplicaciones.cimat.mx/Personal/jbhayet/ccsad-dataset

• KUL比利時交通標志數據集：來自比利時法蘭德斯地區數以千計的實體交通標志的超過10000條注釋。
  http://www.vision.ee.ethz.ch/~timofter/traffic_signs/

• MIT AGE Lab：在AgeLab收集的1,000多小時多傳感器駕駛數據集的樣本。
  http://lexfridman.com/automated-synchronization-of-driving-data-video-audio-telemetry-accelerometer/

• LISA：UC圣迭戈智能和安全汽車實驗室的數據集，包括交通標志、車輛檢測、交通信號燈和軌跡模式。
  http://cvrr.ucsd.edu/LISA/datasets.html

• 博世小交通燈數據集：用于深度學習的小型交通燈的數據集。
  https://hci.iwr.uni-heidelberg.de/node/6132

• LaRa交通燈識別：巴黎的交通信號燈數據集。
  http://www.lara.prd.fr/benchmarks/trafficlightsrecognition

• WPI數據集：交通燈、行人和車道檢測的數據集。
  http://computing.wpi.edu/dataset.html

臨床

• MIMIC-III：MIT計算生理學實驗室的公開數據集，標記了約40000名重癥監護患者的健康數據，包括人口統計學、生命體征、實驗室測試、藥物等維度。
  https://mimic.physionet.org/

一般數據集

除了機器學習專用的數據集，還有一些其他的一般數據集，可能很有趣~

公共政府數據集

• Data.gov：該網站可以從多個美國政府機構下載數據，包括各種奇怪的數據，從政府預算到考試分數都有。不過，其中大部分數據需要進一步研究。
  https://www.data.gov/

• 食物環境地圖集：本地食材如何影響美國飲食的數據。
  https://catalog.data.gov/dataset/food-environment-atlas-f4a22

• 學校財務系統：美國學校財務系統的調查。
  https://catalog.data.gov/dataset/annual-survey-of-school-system-finances

• 慢性病數據：美國各地區慢性病指標數據。
  https://catalog.data.gov/dataset/u-s-chronic-disease-indicators-cdi-e50c9

• 美國國家教育統計中心：教育機構和教育人口統計數據，不僅有美國的數據，也有一些世界上其他地方的數據。
  https://nces.ed.gov/

• 英國數據服務：英國最大的社會、經濟和人口數據集。
  https://www.ukdataservice.ac.uk/

• 數據美國：全面可視化的美國公共數據。
  http://datausa.io/

• 中國國家統計局。
  http://www.stats.gov.cn/

金融與經濟

• Quandl：經濟和金融數據的良好來源，有助于建立預測經濟指標或股票價格的模型。
  https://www.quandl.com/

• 世界銀行開放數據：全球人口統計數據，還有大量經濟和發展指標的數據集。
  https://data.worldbank.org/

• 國際貨幣基金組織數據：國際貨幣基金組織公布的有關國際金融，債務利率，外匯儲備，商品價格和投資的數據。
  https://www.imf.org/en/Data

• 金融時報市場數據：來自世界各地的金融市場的最新信息，包括股票價格指數，商品和外匯。
  https://markets.ft.com/data/

• Google Trends：世界各地的互聯網搜索行為和熱門新聞報道的數據。
  http://www.google.com/trends?q=google&ctab=0&geo=all&date=all&sort=0

• 美國經濟協會：美國宏觀經濟數據。
  https://www.aeaweb.org/resources/data/us-macro-regional

備注：有一些網址需要科學上網才能打開。

暫時手頭沒有工具怎么辦？先收藏呀！

往期精彩回顧適合初學者入門人工智能的路線及資料下載(圖文+視頻)機器學習入門系列下載中國大學慕課《機器學習》（黃海廣主講）機器學習及深度學習筆記等資料打印《統計學習方法》的代碼復現專輯 AI基礎下載機器學習交流qq群955171419，加入微信群請掃碼：

總結

以上是生活随笔為你收集整理的推荐收藏：50个最佳机器学习公共数据集的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。