史上最强数据集集合：50最佳机器学习通用数据集丨资源-量子比特

外国自助媒体mlmemoirs根据github、福布斯、CMU官网等信息，整理了50个最佳机器学习公共数据集排行榜，并分享了量子比特。

事先说明两个注意事项：

根据查找数据集的奥义CMU，查找易于使用的数据集需要注意几点：

去哪里找数据集Kaggle：爱竞争的盆友们应该很熟悉，Kaggle有各种有趣的数据集、拉面评级、篮球数据，甚至西雅图宠物许可证。

https：//www.kaggle.com/

UCI机器学习库：最古老的数据集源之一是寻找有趣数据集的第一站。因为数据集是用户贡献的，所以有不同的清洁度，但大部分都是干净的，不需要注册就可以直接从UCI机器学习库下载。

http：//mlr.cs.umass.edu/ml/

VisualData：分类的计算机视觉数据集，可搜索～

https：//www.visualdata.io/

接下来是那50个数据集。由于后期加入了一些补充，总数超过了50。

机器学习数据集图像

标签：带注释的大型图像数据集。

http：//labelme.csail.mit.edu/Release3.0/browserTools/php/dataset.php

ImageNet：熟悉的ImageNet、女神李飞飞参与制作，同名的比赛影响了整个电脑视觉界。

http：//image-net.org/

LSUN：场景理解和许多辅助任务（如房间布局估计和显式预测）

http：//lsun.cs.princeton.edu/2016/

S COCO：同样是著名的计算机视觉数据集，同名的比赛每年都被中国人排在首位。

http：//mscoco.org/

COIL 100：100个不同的物体成像在360度旋转的各个角度上。

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。

http：//visualgenome.org/

谷歌开放图片：知识共享下的900万个图片URL收藏“注释了超过6000个类别的标签”。

https：//research.googleblog.com/2016/09/introducing-open-images-dataset.html

野外标识面：用于开发人脸识别相关应用的13000张人脸标识图片。

http：//vis-www.cs.umass.edu/lfw/

斯坦福狗子数据集：20580张狗的图片，包括120个不同品种。

http：//vision.stanford.edu/aditya86/ImageNetDogs/

室内场景识别：67个室内类别，包括15620个图像。

http：//web.mit.edu/torralba/www/indoor.html

情绪分析

多域情绪分析数据集：使用亚马逊产品评论的有点旧的数据集。

http：//www.cs.jhu.edu/~mdredze/datasets/sentiment/

IMDB评论：二元情绪分类的数据集，有点旧，有点小，约25000个电影评论。

http：//ai.stanford.edu/~amaas/data/sentiment/

斯坦福情感树库：带有情感注释的标准情感数据集。

http：//nlp.stanford.edu/sentiment/code.html

Sentiment140：使用160000条推特的流行数据集，该推特事先删除了表情符号。

http：//help.sentiment140.com/for-students/

Twitter美国航空情绪：2015年2月美国航空推特数据被分为正、负、中性推特。

https：//www.kaggle.com/crowdflower/twitter-airline-sentiment

自然语言处理

HotspotQA数据集：自然，具有多跳问题的问答数据集，具有支持事实的强大监督，实现更易于解释的问答系统。

https：//hotpotqa.github.io/

安然数据集：来自安然高级管理人员的电子邮件数据。

https：//www.cs.cmu.edu/~./enron/

亚马逊评论：在长达18年的时间里，亚马逊刊登了约3500万篇评论，数据包括产品、用户信息、评级和文本评论。

https：//snap.stanford.edu/data/web-Amazon.html

谷歌Books Ngrams：谷歌Books内的一系列文本。

https：//aws.amazon.com/datasets/google-books-ngrams/

Blogger Corpus：blogger.com收集681288条博客，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：维基百科全文包含来自400多万篇文章的近19亿个单词，可以通过段落、短语或段落本身的一部分进行搜索。

https：//code.google.com/p/wiki-links/downloads/list

Gutenberg电子书列表：Gutenberg项目的带注释的电子书列表。

http：//www.gutenberg.org/wiki/Gutenberg：Offline_Catalogs

Hansards加拿大议会文本：来自第36届加拿大议会记录的130万组文本。

http：//www.isi.edu/natural-language/download/hansard/

Jeopardy：来自猜谜节目Jeopardy的超过200000个问题存档。

http：//www.reddit.com/r/datasets/comments/1uyd0t/200000_jeopardy_questions_in_a_json_file/

英文垃圾邮件收集：由5574条英文垃圾邮件组成的数据集。

http：//www.dt.fee.unicamp.br/~tiago/smsspamcollection/

Yelp评论：Yelp是美国发布的“公共评论”，其中包含超过500万条评论的开放数据集。

https：//www.yelp.com/dataset

UCI Spambase—用于垃圾邮件过滤的大型垃圾邮件数据集。

https：//archive.ics.uci.edu/ml/datasets/Spambase

自动运行

Berkeley DeepDrive BDD100k：目前最大的自动驾驶数据集，包含超过100000个视频，包括在一天的不同时间段和天气条件下超过1100小时的驾驶体验。带注释的图片来自纽约和旧金山地区。

http：//bdd-data.berkeley.edu/

百度Apolloscaps：度娘大型数据集，定义了汽车、自行车、行人、建筑、路灯等26种不同的物体。

http：//apolloscape.auto/

Comma.ai：汽车速度、加速度、转向角、GPS坐标等超过7小时的高速公路运行。

https：//archive.org/details/comma-dataset

牛津机器人汽车：该数据集来自牛津机器人汽车，它在一年的时间里在英国牛津的同一条路上，反复行驶了100多次，捕捉到了天气、交通和行人的不同组合、建筑和道路工程等的长期变化。

http：//robotcar-dataset.robots.ox.ac.uk/

城市景观数据集：记录50个不同城市城市景观的大型数据集。

CSSAD数据集：该数据集对于自动驾驶车辆的感知和导航非常有用。但数据集严重偏向发达国家的道路。

http：//aplicaciones.cimat.mx/Personal/jbhayet/ccsad-dataset

KUL比利时交通标志数据集：来自比利时佛兰德斯地区数千个实体交通标志的超过10000条注释。

http：//www.vision.ee.ethz.ch/~timofter/traffic_signs/

IT AGE Lab：AgeLab收集的1000小时以上多传感器运行数据集的样本。

http：//lexfridman.com/automated-synchronization-of-driving-data-video-audio-telemetry-accelerometer/

LISA：UC圣地亚哥智能与安全汽车实验室数据集。包括交通标志、车辆检查、交通信号灯和轨道模式。

http：//cvrr.ucsd.edu/LISA/datasets.html

博世小交通灯数据集：用于深度学习的小型交通灯数据集。

https：//hci.iwr.uni-heidelberg.de/node/6132

LaRa交通灯识别：巴黎交通信号灯数据集。

http：//www.lara.prd.fr/benchmarks/trafficlightsrecognition

WPI数据集：信号、行人、车道检测的数据集。

http：//computing.wpi.edu/dataset.html

临床

MIMIC-III：MIT计算了生理学实验室的公开数据集，标记了约40000名集中治疗患者的健康数据，包括人口统计学、生命体征、实验室测试、药物等维度。

https：//mimic.physionet.org/

一般数据集除了机器学习专用的数据集以外还有几个一般数据集，可能很有趣~

公共政府数据集

Data.gov：在这个网站上，您可以从多个美国政府机构下载数据，包括从政府预算到考试分数的各种奇怪数据。但其中大部分数据都需要进一步研究。

食品环境图集：本地食材如何影响美国饮食的数据。

https：//catalog.data.gov/dataset/food-environment-atlas-f4a22

学校财务系统：美国学校财务系统调查。

https：//catalog.data.gov/dataset/annual-survey-of-school-system-finances

慢性病数据：美国地区慢性病指标数据。

https：//catalog.data.gov/dataset/u-s-chronic-disease-indicators-cdi-e50c9

美国国立教育统计中心：教育机构和教育人口统计数据不仅是美国的数据，还有世界其他地方的数据。

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/

数据美国：全面可视化的美国公共数据。