力荐50个最实用的免费机器学习数据集 作者 | Meiryum Ali 译者 | Debra 编辑 | Natalie AI 前线导读： 机器学习领域有哪些实用的开放数据集？Gengo 网站整理出了 50 个高质量机器学习开放数据集，覆盖范围非常广，并按照具体领域（如金融、图像、自然语言处理、自动驾驶）进行分类，推荐给大家。 更多优质内容请关注微信公众号“AI 前线”（ID：ai-front） 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/ 喜欢这篇文章吗？记得点一下「好看」再走?? 阅读原文