1. Mall Customers Dataset — данные посетителей магазина: id, пол, возраст, доход, рейтинг трат. (Вариант применения: Customer Segmentation Project with Machine Learning)
  2. Iris Dataset — датасет для новичков, содержащий размеры чашелистиков и лепестков для различных цветков.
  3. MNIST Dataset — датасет рукописных цифр. 60 000 тренировочных изображений и 10 000 тестовых изображений.
  4. The Boston Housing Dataset — популярный датасет для распознавания паттернов. Содержит информацию о домах в Бостоне: количество квартир, стоимость аренды, индекс преступлений.
  5. Fake News Detection Dataset — содержит 7796 записей с разметкой новостей: правда или ложь. (Вариант применения с исходником на Python: Fake News Detection Python Project )
  6. Wine quality dataset — содержит информацию о вине: 4898 записей с 14 параметрами.
  7. SOCR data – Heights and Weights Dataset — хороший вариант для старта. Содержит 25 000 записей о росте и весе 18-ти летних людей.
    EDISON Software - web-development
    Статья переведена при поддержке компании EDISON Software, которая выполняет «на отлично» заказы из Южного Китая, а также разрабатывает веб-приложения и сайты.
  8. Parkinson Dataset — 195 записей о пациентах с болезнью Паркинсона, с 25 параметрами анализов. Можно использовать для предварительной оценки отличия больных людей от здоровых. (Вариант применения с исходником на Python: Machine Learning Project on Detecting Parkinson’s Disease)
  9. Titanic Dataset — содержит информацию про пассажиров (возраст, пол, родственники на борту и пр) 891 в тренировочном сете и 418 — в тестовом.
  10. Uber Pickups Dataset — информация о 4.5 миллионах поездок на Uber 2014 года и 14 млн. 2015 года. (Вариант применения с исходником на R: Uber Data Analysis Project in R)
  11. Chars74k Dataset — содержит изображения Британских и Канадских символов 64 классов: 0-9, A-Z, a-z. 7700 7.7k естественных изображений, 3400kнаписанных от руки, 62000 синтезированных компьютером шрифтов.
  12. Credit Card Fraud Detection Dataset — содержит информацию о транзакциях скомпрометированных кредитных картах. (Вариант применения с исходником: Credit Card Fraud Detection Machine Learning Project)
  13. Chatbot Intents Dataset — JSON-файл, который содержит различные тэги: greetings, goodbye, hospital_search, pharmacy_search, и тд. Содержит набор шаблонов «вопрос-ответ». (Вариант применения с исходником на Python: Chatbot Project in Python)
  14. Enron Email Dataset — содержит пол миллиона писем от 150 менеджеров Enron.
  15. The Yelp Dataset — содержит 1,2 млн. рекомендаций от 1,6 млн. пользователей про 1,2 млн организаций.
  16. Jeopardy Dataset — более 200 000 записей «вопрос-ответ» из популярной телевизионной игры.
  17. Recommender Systems Dataset — портал с коллекцией датасетов от университета UCSD. Содержит записи об отзывах на популярных сайтах (Goodreads, Amazon). Отлично подходит для создания рекомендательных систем. (Вариант применения с исходником на R: Movie Recommendation System Project in R )
  18. UCI Spambase Dataset — датасет для тренировки для обнаружения спама. Содержит 4601 писем с 57 параметрами метаданных.
  19. Flickr 30k Dataset — более 30 000 изображений и подписей к ним. (Flickr 8k Dataset — 8000 изображений. Проект с исходником на Python: Image Caption Generator Python Project)
  20. IMDB reviews — 25 000 отзывов на фильмы в тренировочном наборе и 25 000 в тестовом. (Вариант применения с исходником на R: Sentiment Analysis Data Science Project)
  21. MS COCO dataset — 1,5 млн размеченных изображений.
  22. CIFAR-10 and CIFAR-100 dataset — CIFAR-10 содержит 60,000 маленьких изображений 32*32 pixels цифр 0-9. CIFAR-100 — соответственно, 0-100.
  23. GTSRB (German traffic sign recognition benchmark) Dataset — 50 000 изображений 43 дорожных знаков. (Вариант применения с исходником на Python: Traffic Signs Recognition Python Project)
  24. ImageNet dataset — содержит более 100 000 фраз и около 1000 изображений на фразу.
  25. Breast Histopathology Images Dataset — датасет содержит изображения образцов рака молочной железы. (Вариант применения с исходником на Breast Cancer Classification Python Project)
  26. Cityscapes Dataset — содержит высококачественные аннотации видеопоследовательностей улиц разных городов.
  27. Kinetics Dataset — содержит URL-ссылку на около 6,5 миллионов высококачественных видео.
  28. MPII human pose dataset — датасет содержит 25 000 изображений человеческих поз с аннотацией по суставам.
  29. 20BN-something-something dataset v2 — набор высококачественных видео, которые показывают, как человек выполняет какие-то действия.
  30. Object 365 Dataset — датасет высококачественных изображений с ограничивающими рамками объектов.
  31. Photo sketching dataset — содержит более 1000 изображений с их контурными чертежами.
  32. CQ500 Dataset — датасет содержит 491 КТ-сканирование головы с 193 317 срезами.
  33. IMDB-Wiki dataset — датасет с более чем 5 млн. изображений лиц с пометкой пола и возраста. (Вариант применения с исходником на Gender & Age Detection Python Project)
  34. Youtube 8M Dataset — маркированный набор данных видео, который содержит 6,1 миллиона идентификаторов видео Youtube
  35. Urban Sound 8K dataset — набор городских звуковых данных (содержит 8732 городских звука из 10 классов).
  36. LSUN Dataset — набор данных из миллионов цветных изображений сцен и объектов (около 59 миллионов изображений, 10 различных категорий сцен и 20 различных категорий объектов).
  37. RAVDESS Dataset — аудиовизуальная база данных эмоциональной речи. (Вариант применения с исходником на Speech Emotion Recognition Python Project)
  38. Librispeech Dataset — датасет содержит 1000 часов английской речи с разными акцентами.
  39. Baidu Apolloscape Dataset — датасет для развития технологий самостоятельного вождения.
  40. Quandl Data Portal — хранилище экономических и финансовых данных (есть бесплатный и платный контент).
  41. The World Bank Open Data Portal — информация о займах, выданных Всемирным банком развивающимся странам.
  42. IMF Data Portal — портал международного валютного фонда, который публикует данные о международных финансах, ставках долга, инвестициях, валютных резервах и товарах.
  43. American Economic Association (AEA) Data Portal — ресурс для поиска макроэкономических данных США.
  44. Google Trends Data Portal — данные о тенденциях Google можно использовать для визуального изучения и анализа данных.
  45. Financial Times Market Data Portal — ресурс для получения актуальной информации о финансовых рынках со всего мира.
  46. Data.gov Portal — портал открытых данных правительства США (сельское хозяйство, здравоохранение, климат, образование, энергетика, финансы, наука и исследования и т.д.).
  47. Data Portal: Open government data (India) — открытая правительственная платформа данных Индии.
  48. Food environment Atlas Data Portal — содержит данные исследований о питании в США.
  49. Health Data Portal — это портал Министерства здравоохранения и социальных служб США.
  50. Centers for Disease Control and Prevention Data Portal — содержит широкий спектр данных, связанных со здоровьем.
  51. London Datastore Portal — данные о жизни людей в Лондоне.
  52. Canada Government Open Data Portal — портал открытых данных о канадцах (сельское хозяйство, искусство, музыка, образование, правительство, здравоохранение и т.д.)


Читать ещё


Комментарии (8)


  1. Stas911
    16.12.2019 19:14
    +1

    Вот еще у Амазона есть наборчик: registry.opendata.aws
    Удобно, что оно уже на S3 и не нужно ничего никуда копировать.


  1. CrazyElf
    16.12.2019 19:29
    +1

    А также некоторые из этих наборов данных давно уже интегрированы в различные библиотеки для маш. обучения, их не надо отдельно искать и качать.


  1. BreathDeeper
    17.12.2019 19:48
    +1

    Мадрид предоставляет достаточно интересные, что важно свежие данные.

    Например, статистика ДТП с участием велосипедистов 2017-2019


  1. GennPen
    17.12.2019 20:17
    +1

    У Гугла есть поиск по различным базам датасетов: toolbox.google.com/datasetsearch


  1. zoldaten
    17.12.2019 21:39

    Librispeech Dataset...102 дня скачивания… в последнее время вообще висит…
    Пора делать зеркала датасетов.


  1. redcyb
    16.12.2019 23:44

    CIFAR-10 and CIFAR-100 dataset — CIFAR-10 содержит 60,000 маленьких изображений 32*32 pixels цифр 0-9. CIFAR-100 — соответственно, 0-100

    CIFAR-10 содержит изображения объектов реального мира, разбитых на 10 классов. Цифры — это MNIST и похожие.
    CIFAR-100 — похожее содержание, только обогащенное до 100 классов.


  1. dim2r
    18.12.2019 10:11

    Кто-нибудь видел датасет на тему сегментации органов и сосудов по томограмме?


  1. darkAlert
    18.12.2019 12:16

    Вот бы Human3.6m выложили в опенсорс…