开源数据集

开源生物识别数据：OpenBR | Home

Google Audioset：扩展了 632 个音频分类样本，并从 YouTube 视频中提取了 2，084，320 个人类标记的 10 秒声音片段。
地址：https://research.google.com/audioset/

Uber 2B trip data：首次展示 2 百万公里的出行数据。
地址：https://movement.uber.com/cities

Yelp Open Dataset：Yelp 数据集是用于 NLP 的 Yelp 业务、评论和用户数据的子集。
地址：Yelp Dataset

Core50：用于连续目标识别的新数据集和基准。
地址：CORe50

Kaggle 数据集：Find Open Datasets and Machine Learning Projects | Kaggle

Data Portal：- Data Portals

Open Data Monitor：OpenDataMonitor

Quandl Data Portal：Nasdaq Data Link

Mut1ny 头部/面部分割数据集：http://www.mut1ny.com/face-headsegmentation-dataset

Github 上的优秀公共数据集：Awesome Public Datasets on GitHub - KDnuggets

头部 CT 扫描数据集：491 次扫描的 CQ500 数据集。
地址：Qure.ai HeadCT Study

自然图像数据集

MNIST：手写数字图像。最常用的可用性检查。格式 25x25、居中、黑白手写数字。这是一项简单的任务——仅某部分适用于 MNIST，不意味着它有效。
地址：MNIST handwritten digit database, Yann LeCun, Corinna Cortes and Chris Burges

CIFAR10 / CIFAR100：32x32 彩色图像，10/100 类。虽然仍有趣却不再常用的可用性检查。
地址：CIFAR-10 and CIFAR-100 datasets

Caltech 101：101 类物体的图片。
地址：http://www.vision.caltech.edu/Image_Datasets/Caltech101/

Caltech 256：256 类物体的图片。
地址：http://www.vision.caltech.edu/Image_Datasets/Caltech256/

STL-10 数据集：用于开发无监督特征学习、深度学习、自学习算法的图像识别数据集。像修改过的 CIFAR-10。
地址：STL-10 dataset

The Street View House Numbers (SVHN)：Google 街景中的门牌号码。可以把它想象成复现的户外 MNIST。
地址：The Street View House Numbers (SVHN) Dataset

NORB：玩具摆件在各种照明和姿势下的双目图像。
地址：NORB Object Recognition Dataset, Fu Jie Huang, Yann LeCun, New York University

Pascal VOC：通用图像分割/分类——对于构建真实世界图像注释不是非常有用，但对基线很有用。
地址：http://pascallin.ecs.soton.ac.uk/challenges/VOC/

Labelme：带注释图像的大型数据集。
地址：LabelMe. The Open annotation tool

ImageNet：新算法的客观图像数据集（de-facto image dataset）。许多图像 API 公司都有来自其 REST 接口的标签，这些标签近 1000 类;WordNet; ImageNet 的层次结构。
地址：ImageNet

LSUN：具有很多辅助任务的场景理解（房间布局估计，显著性预测（saliency prediction）等），有关联竞赛。（associated competition）。
地址：http://lsun.cs.princeton.edu/2016/

MS COCO：通用图像理解/说明，有关联竞赛。
地址：http://mscoco.org/

COIL 20：不同物体在 360 度旋转中以每个角度成像。
地址：CAVE | Software: COIL-20: Columbia Object Image Library

COIL100：不同物体在 360 度旋转中以每个角度成像。
地址：CAVE | Software: COIL-100: Columbia Object Image Library

Google 开源图像：有 900 万张图像的网址集合，这些图像通过知识共享（Creative Commons）被标注成 6000 多个类别。
地址：https://research.googleblog.com/2016/09/introducing-open-images-dataset.html

地理空间数据

OpenStreetMap：免费提供整个星球的矢量数据。它包含（旧版）美国人口普查局的数据。
地址：http://wiki.openstreetmap.org/wiki/Planet.osm

Landsat8：整个地球表面的卫星视角图，每隔几周更新一次。
地址：Landsat 8 Relocated | Landsat Missions

NEXRAD：美国大气层的多普勒雷达扫描图。
地址： https://www.ncdc.noaa.gov/data-access/radar-data/nexrad

人工数据集

Arcade Universe：一个人工数据集生成器，图像包含街机游戏 sprite，如 tetris pentomino / tetromino。该生成器基于 O. Breleux 的 bugland 数据集生成器。
地址：https://github.com/caglar/Arcade-Universe

以 Baby AI School 为灵感的数据集集合。
地址：Resource has moved

Baby AI Shapes Dataset：区分 3 种简单形状。
地址：Resource has moved

Baby AI Image And Question Dataset：一个问题-图像-答案数据集。
地址：Resource has moved

Deep Vs Shallow Comparison ICML2007：为实证评估深层架构而生成的数据集。
地址：Resource has moved

MnistVariations：在 MNIST 中引入受控变化。
地址：Resource has moved

RectanglesData：区分宽矩形和垂直矩形。
地址：Resource has moved

ConvexNonConvex：区分凸形和非凸形状。
地址：Resource has moved

BackgroundCorrelation：嘈杂 MNIST 背景下相关度的控制
地址：Resource has moved

人脸数据集

Labelled Faces in the Wild：13000 个经过裁剪的人脸区域（使用已经用名称标识符标记过的 Viola-Jones）。数据集中每个人员的子集里包含两个图像——人们常用此数据集训练面部匹配系统。
地址：http://vis-www.cs.umass.edu/lfw/

UMD Faces：有 8501 个主题的 367，920 个面孔的带注释数据集。
地址：UMDFaces

CASIA WebFace：超过 10，575 个人经面部检测的 453，453 张图像的面部数据集。需要一些质量过滤。
地址：http://www.cbsr.ia.ac.cn/english/CASIA-WebFace-Database.html

MS-Celeb-1M：100 万张全世界的名人图片。需要一些过滤才能在深层网络上获得最佳结果。
地址：https://www.microsoft.com/en-us/research/project/ms-celeb-1m-challenge-recognizing-one-million-celebrities-real-world/

Olivetti：一些人类的不同图像。
地址：sam roweis : data

Multi-Pie：The CMU Multi-PIE Face 数据库。
地址：Loading...

Face-in-Action：The most comprehensive innovation search platform — Wellspring

JACFEE：日本和白种人面部情绪表达的图像。
地址：http://www.humintell.com/jacfee/

FERET：面部识别技术数据库。
地址：Information Technology Laboratory | NIST

mmifacedb：MMI 面部表情数据库。
地址：mmifacedb.com

IndianFaceDatabase：http://vis-www.cs.umass.edu/~vidit/IndianFaceDatabase/

耶鲁人脸数据库：http://vision.ucsd.edu/content/yale-face-database

耶鲁人脸数据库 B：http://vision.ucsd.edu/~leekc/ExtYaleDatabase/ExtYaleB.html

Mut1ny 头部/面部分割数据集：像素超过 16K 的面部/头部分割图像
地址：http://www.mut1ny.com/face-headsegmentation-dataset

视频数据集

Youtube-8M：用于视频理解研究的大型多样化标记视频数据集。
地址：https://research.googleblog.com/2016/09/announcing-youtube-8m-large-and-diverse.html

文本数据集

20 newsgroups：分类任务，将出现的单词映射到新闻组 ID。用于文本分类的经典数据集之一，通常可用作纯分类的基准或任何 IR /索引算法的验证。
地址：Home Page for 20 Newsgroups Data Set

路透社新闻数据集：（较旧）纯粹基于分类的数据集，包含来自新闻专线的文本。常用于教程。
地址：UCI Machine Learning Repository: Reuters-21578 Text Categorization Collection Data Set

宾州树库：用于下一个单词或字符预测。
地址：http://www.cis.upenn.edu/~treebank/

UCI‘s Spambase：来自著名的 UCI 机器学习库的（旧版）经典垃圾邮件数据集。根据数据集的组织细节，可以将它作为学习私人垃圾邮件过滤的基线。
地址：UCI Machine Learning Repository: Spambase Data Set

Broadcast News：大型文本数据集，通常用于下一个单词预测。
地址：http://www.ldc.upenn.edu/Catalog/CatalogEntry.jsp?catalogId=LDC97S44

文本分类数据集：来自 Zhang et al., 2015。用于文本分类的八个数据集合集。这些是用于新文本分类基线的基准。样本大小从 120K 至 3.6M 不等，范围从二进制到 14 个分类问题。数据集来自 DBPedia、亚马逊、Yelp、Yahoo！和 AG。
地址：https://drive.google.com/drive/u/0/folders/0Bz8a_Dbh9Qhbfll6bVpmNUtUcFdjYmF2SEpmZUZUcVNiMUw1TWN6RDV3a0JHT3kxLVhVR2M

WikiText：来自维基百科高质量文章的大型语言建模语料库，由 Salesforce MetaMind 策划。
地址：http://metamind.io/research/the-wikitext-long-term-dependency-language-modeling-dataset/

SQuAD：斯坦福问答数据集——应用广泛的问答和阅读理解数据集，其中每个问题的答案都以文本形式呈现。
地址：The Stanford Question Answering Dataset

Billion Words 数据集：一种大型通用语言建模数据集。通常用于训练分布式单词表征，如 word2vec。

地址：1 Billion Word Language Model Benchmark

Common Crawl：网络的字节级抓取——最常用于学习单词嵌入。可从 Amazon S3 上免费获取。也可以用作网络数据集，因为它可在万维网进行抓取。
地址：Want to use our data? – Common Crawl

Google Books Ngrams：来自 Google book 的连续字符。当单词首次被广泛使用时，提供一种简单的方法来探索。
地址：AWS Public Data Set

Yelp 开源数据集：Yelp 数据集是用于 NLP 的 Yelp 业务、评论和用户数据的子集。
地址：Yelp Dataset

问答数据集

Maluuba News QA 数据集：CNN 新闻文章中的 12 万个问答对。
地址：https://datasets.maluuba.com/NewsQA

Quora 问答对：Quora 发布的第一个数据集，包含重复/语义相似性标签。
地址：https://data.quora.com/First-Quora-Dataset-Release-Question-Pairs

CMU Q / A 数据集：手动生成的仿真问/答对，维基百科文章对其难度评分很高。
地址：Question-Answer Dataset

Maluuba 面向目标的对话：程序性对话数据集，对话旨在完成任务或做出决定。常用于聊天机器人。
地址：https://datasets.maluuba.com/Frames

bAbi：来自 Facebook AI Research（FAIR）的综合阅读理解和问答数据集。
地址：https://research.fb.com/projects/babi/

The Children’s Book Test：Project Gutenberg 提供的儿童图书中提取的（问题+背景、答案）对的基线。用于问答（阅读理解）和仿真查找。
地址：http://www.thespermwhale.com/jaseweston/babi/CBTest.tgz

情感数据集

多领域情绪分析数据集：较旧的学术数据集。
地址：Multi-Domain Sentiment Dataset

IMDB：用于二元情感分类的较旧、较小数据集。对文献中的基准测试无法支持更大的数据集。
地址：Sentiment Analysis

Stanford Sentiment Treebank：标准情感数据集，在每个句子解析树的每个节点都有细粒度的情感注释。
地址：Recursive Deep Models for Semantic Compositionality Over a Sentiment Treebank

推荐和排名系统

Movielens：来自 Movielens 网站的电影评分数据集，各类大小都有。
地址：MovieLens | GroupLens

Million Song 数据集：Kaggle 上元数据丰富的大型开源数据集，可以帮助人们使用混合推荐系统。
地址：Million Song Dataset Challenge | Kaggle

Last.fm：音乐推荐数据集，可访问深层社交网络和其它可用于混合系统的元数据。
地址：HetRec 2011 | GroupLens

Book-Crossing 数据集：来自 Book-Crossing 社区。包含 278,858 位用户提供的约 271,379 本书的 1,149,780 个评分。
地址：Book-Crossing Dataset

Jester：来自 73,421 名用户对 100 个笑话的 410 万个连续评分（分数从-10 至 10）。
地址：Jester Collaborative Filtering Dataset

Netflix Prize：Netflix 发布了他们的电影评级数据集的匿名版；包含 480,000 名用户对 17,770 部电影的 1 亿个评分。首个主要的 Kaggle 风格数据挑战。随着隐私问题的出现，只能提供非正式版。
地址：http://www.netflixprize.com/

语音数据集

2000 HUB5 English：最近在 Deep Speech 论文中使用的英语语音数据，从百度获取。
地址：2000 HUB5 English Evaluation Transcripts - Linguistic Data Consortium

LibriSpeech：包含文本和语音的有声读物数据集。由多个朗读者阅读的近 500 小时的各种有声读物演讲内容组成，包含带有文本和语音的章节。
地址：openslr.org

VoxForge：带口音的清晰英语语音数据集。适用于提升不同口音或语调鲁棒性的案例。
地址：Free Speech... Recognition (Linux, Windows and Mac) - voxforge.org

TIMIT：英语语音识别数据集。
地址：TIMIT Acoustic-Phonetic Continuous Speech Corpus - Linguistic Data Consortium

CHIME：嘈杂的语音识别挑战数据集。数据集包含真实、仿真和干净的录音。真实录音由 4 个扬声器在 4 个嘈杂位置的近 9000 个录音构成，仿真录音由多个语音环境和清晰的无噪声录音结合而成。
地址：http://spandh.dcs.shef.ac.uk/chime_challenge/data.html

TED-LIUM：TED 演讲的音频转录。1495 个 TED 演讲录音以及这些录音的文字转录。
地址：http://www-lium.univ-lemans.fr/en/content/ted-lium-corpus

音符音乐数据集

Piano-midi.de: 古典钢琴曲
地址：Classical Piano Midi Page-Main Page

Nottingham : 超过 1000 首民谣
地址：http://abc.sourceforge.net/NMD/

MuseData: 古典音乐评分的电子图书馆
地址：CCARH Homepage

JSB Chorales: 四部协奏曲
地址：http://www.jsbchorales.net/index.shtml

健康 &生物数据

欧盟传染病监测图集：Surveillance Atlas of Infectious Diseases

默克分子活动挑战：Merck Molecular Activity Challenge | Kaggle

Musk dataset: Musk dataset 描述了以不同构造出现的分子。每个分子都是 musk 或 non-musk，且其中一个构造决定了这一特性。
地址：https://archive.ics.uci.edu/ml/datasets/Musk+(Version+2)

政府&统计数据

Data USA: 最全面的可视化美国公共数据。
地址：Data USA

欧盟性别统计数据库：http://eige.europa.eu/gender-statistics

荷兰国家地质研究数据 ：Nationaal georegister*&relation=within

联合国开发计划署项目：UNDP Transparency Portal

网络和图形

Amazon Co-Purchasing：亚马逊评论从「购买此产品的用户也购买了……」这一部分抓取数据，以及亚马逊相关产品的评论数据。适合在网络中试行推荐系统。
地址：Stanford Large Network Dataset Collection

Friendster 社交网络数据集：在变成游戏网站之前，Friendster 以朋友列表的形式为 103,750,348 名用户发布了匿名数据。
地址：https://archive.org/details/friendster-dataset-201107

其它数据集

CMU 动作抓取数据集：Carnegie Mellon University - CMU Graphics Lab - motion capture library

Brodatz dataset：纹理建模。
地址：Brodatz Textures

来自欧洲核子研究中心的大型强子对撞机（LHC）的 300TB 高质量数据。
地址：CERN Open Data Portal

纽约出租车数据集：由 FOIA 请求而获得的纽约出租车数据，导致隐私问题。
地址：Taxi & Limousine Commission

Uber FOIL 数据集：来自 Uber FOIL 请求的纽约 4.5M 拾取数据。
地址：https://github.com/fivethirtyeight/uber-tlc-foil-response

Criteo 点击量数据集：来自欧盟重新定位的大型互联网广告数据集。
地址：Criteo AI Lab (Criteo AI Lab): Machine Learning for Computational Advertising