機器學習高質量資料集大合輯（附連結）
在機器學習中，尋找資料集也是非常重要的一步。質量高或者相關性高的資料集對模型的訓練是非常有幫助的。
那麼用於機器學習的開放資料集有哪些呢?
我們給大家推薦一份高質量的資料集，這些資料集或者涵蓋範圍廣泛(比如 Kaggle)，或者非常細化(比如自動駕駛汽車的資料)。
首先，在搜尋資料集時，在卡內基·梅隆大學有以下說法：
- 資料集不應混亂，因為你不希望花費大量時間清理資料。
- 資料集不應該有太多行或列，因此很容易使用。
- 資料越乾淨越好 —— 清洗大型資料集相當耗時。
資料可以解答一些有趣的問題。
資料集查詢器
Kaggle：Kaggle是由聯合創始人、執行長安東尼·高德布盧姆(Anthony Goldbloom)2010年在墨爾本創立的，主要為開發商和資料科學家提供舉辦機器學習競賽、託管資料庫、編寫和分享程式碼的平臺。該平臺已經吸引了80萬名資料科學家的關注。
在這個平臺中可以找到各種資料，從拉麵的評分、籃球資料，到西雅圖的寵物牌照應有盡有。
UCI機器學習庫(UCI Machine Learning Repository)：這是網路上最早的資料集來源之一，是尋找各種有趣資料集的第一選擇。雖然使用者提供的資料集的清潔度不太一樣，但絕大多數都是乾淨的。我們可以從 UCI 機器學習庫直接下載資料，無需註冊。
VisualData：在這裡計算機視覺資料集按類別分組，並且支援搜尋查詢。
公共政府資料集
食品環境地圖集(Food Environment Atlas)：當地的食物選擇如何影響美國飲食的資料。
學校系統財務狀況(School system finances)：這裡有美國學校系統財務狀況的調查。
慢性病資料(Chronic disease data)：美國各地慢性病指標的資料。
美國國家教育統計中心(The US National Center for Education Statistics)：來自美國和世界各地的教育機構和教育人口統計資料。
英國資料服務：英國最大的社會、經濟和人口資料收集機構。
資料美國(Data USA)：全面的、視覺化的美國公共資料。
金融和經濟
Quandl： 裡面有很多經濟和金融資料，你可以使用這些資料建立預測經濟指標或股價的模型。
世界銀行開放資料(World Bank Open Data)：涵蓋世界各地人口統計、大量經濟和發展指標的資料集。
貨幣基金組織的資料(IMF Data)：國際貨幣基金組織公佈關於國際金融、債務率、外匯儲備、商品價格和投資的資料。
英國金融時報金融時報市場資料(Financial Times Market Data：)：裡面有來自世界各地的最新金融市場資訊，包括股票價格指數、商品和外匯。
谷歌趨勢(Google Trends)：觀察和分析有關網際網路搜尋活動和世界各地新聞故事趨勢的資料。
美國經濟協會(AEA)：這裡你可以找到美國巨集觀經濟的相關資料。
機器學習資料集
Labelme：資料集中包含大量有標註的影象資料。
labelme.csail.mit.edu/Release3.0/…
ImageNet： 是一個用於視覺物件識別軟體研究的大型視覺化資料庫。超過1400萬的影象URL被ImageNet手動註釋。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影象來描述。
LSUN：場景理解與許多輔助任務(房間佈局估計，顯著性預測等)
MS COCO：通用影象的理解和文字描述。
COIL 100：在 360 度旋轉中以各個角度成像的 100 個不同的物體。
www1.cs.columbia.edu/CAVE/softwa…
視覺基因組：非常詳細的視覺知識庫，配以0 萬張帶有文字描述的影象。
谷歌的Open Images：“知識共享”(Creative Commons)下的900萬個影象網址集合，已標註超過6,000個類別的標籤。
research.googleblog.com/2016/09/int…
Labelled Faces in the Wild：13,000個人臉標記影象，用於開發涉及面部識別的應用程式。
Stanford Dogs Dataset：包含20580張圖片和120個不同的狗品種類別。
vision.stanford.edu/aditya86/Im…
室內場景識別(Indoor Scene Recognition)：這是一個非常細化的資料集，由於大多數在“戶外”場景中表現良好的場景識別模型在室內表現不佳，因而這個資料集非常有用。內有 67 個室內類別，共 15,620 張影象。
情感分析
多域情感分析資料集(Multidomain sentiment analysis dataset)：一個比較有歷史的資料集，裡面還有一些來自亞馬遜的產品評論。
IMDB： 影評，也是比較有歷史的二元情緒分類資料集、資料規模相對較小，裡面有 25,000 條電影評論。
斯坦福情感樹銀行(Stanford Sentiment Treebank)：帶有情感註釋的標準情緒資料集。
Sentiment140：一個流行的資料集，它使用16萬條推文，並把表情等等符號剔除了。
help.sentiment140.com/for-student…
Twitter 美國航空公司情緒資料集 (Twitter US Airline Sentiment)：自 2015 年 2 月以來美國航空公司的 Twitter 資料，分類為正面、負面和中性推文。
自然語言處理
安然資料集：裡面有安然集團高階管理層的電子郵件資料。
亞馬遜評論：裡面有3500萬條來自亞馬遜的評論，時間長度為18年。資料包括產品和使用者資訊、評級等。
snap.stanford.edu/data/web-Am…
Google Books Ngram：來自Google書籍的詞彙集合。
部落格語料庫：從blogger.com收集的681，288篇部落格文章。每個部落格至少包含200個常用的英語單詞。
維基百科連結資料(Wikipedia Links data)：維基百科全文。該資料集包含來自400多萬篇文章，近19億字。你可以對字、短語或段落本身的一部分進行搜尋。
Gutenberg電子圖書列表：Project Gutenberg的附加註釋的電子書列表。
www.gutenberg.org/wiki/Gutenb…
加拿大議會的文字塊(Hansards text chunks of Canadian Parliament)：來自第36屆加拿大議會記錄的130萬對文字。
危險邊緣 (Jeopardy)：來自問答遊戲節目《危險邊緣》(Jeopardy) 的超過 20 萬個問題的存檔。
英文SMS垃圾郵件收集(SMS Spam Collection in English)：包含5，574條英文垃圾郵件的資料集。
www.dt.fee.unicamp.br/~tiago/smss…
Yelp評論(Yelp Reviews)：Yelp釋出的一個開放資料集，包含超過500萬次評論。
UCI的垃圾郵件庫(UCI’s Spambase)：一個大型垃圾郵件資料集，用於垃圾郵件過濾。
archive.ics.uci.edu/ml/datasets…
自動駕駛
Berkeley DeepDrive BDD100k：這是目前最大的自動駕駛 資料集。裡面有超過 1,100 多個小時駕駛體驗的視訊，包含10 萬個在一天中不同時段以及在不同天氣條件下的資料。
百度 Apolloscapes：大型資料集，定義了26種不同的語義項，如汽車，自行車，行人，建築物，路燈等。
Comma.ai：超過7個小時的高速公路駕駛視訊。裡面的資料包括汽車的速度、加速度、轉向角和GPS座標。
城市景觀資料集：記錄50個不同城市的城市街道場景的大型資料集。
CSSAD資料集：包含自動車輛的感知和導航等資料，但著重於發達國家的道路。
aplicaciones.cimat.mx/Personal/jb…
麻省理工學院AGE實驗室(MIT AGE Lab:)：在AgeLab收集的1,000多小時多感測器駕駛資料集的樣本。
LISA：智慧和安全汽車實驗室，加州大學聖地亞哥分校資料集：該資料集包括交通標誌，車輛檢測，交通訊號燈和軌跡模式。
博世小型交通燈資料集(Bosch Small Traffic Light Dataset)：用於深入學習的小交通燈資料集。
hci.iwr.uni-heidelberg.de/node/6132
Lara交通燈識別(LaRa Traffic Light Recognition)：巴黎交通燈的資料集。
WPI 資料集：交通燈、行人和車道檢測的資料集。
computing.wpi.edu/dataset.htm…
關注公眾賬號
【飛馬會】
往期福利關注飛馬會公眾號，回覆對應關鍵詞打包下載學習資料；回覆“入群”，加入飛馬網AI、大資料、專案經理學習群，和優秀的人一起成長！
回覆 數字“11”50本書籍大禮包：AI人工智慧/大資料/Database/Linear Algebra/Python/機器學習/Hadoop
回覆 數字“12”小白| Python+Matlab+機器學習+深度神經網路+理論+實踐+視訊+課件+原始碼，附下載！