姓名：王咫毅
学号：19021211150
【嵌牛导读】机器学习之中的数据集用处重大，在机器学习中，寻找数据集也是非常重要的一步。质量高或者相关性高的数据集对模型的训练是非常有帮助的。那么用于机器学习的开放数据集有哪些呢？文摘菌给大家推荐一份高质量的数据集，这些数据集或者涵盖范围广泛（比如 Kaggle），或者非常细化（比如自动驾驶汽车的数据）。
【嵌牛鼻子】数据集 机器学习
【嵌牛提问】高质量数据集都有哪些用处
【嵌牛正文】
转载自：https://www.jianshu.com/p/92deb14adbb2
大数据文摘出品
编译：蒋宝尚
在机器学习中，寻找数据集也是非常重要的一步。质量高或者相关性高的数据集对模型的训练是非常有帮助的。
那么用于机器学习的开放数据集有哪些呢？文摘菌给大家推荐一份高质量的数据集，这些数据集或者涵盖范围广泛（比如 Kaggle），或者非常细化（比如自动驾驶汽车的数据）。
首先，在搜索数据集时，在卡内基·梅隆大学有以下说法：
数据集不应混乱，因为你不希望花费大量时间清理数据。
数据集不应该有太多行或列，因此很容易使用。
数据越干净越好 —— 清洗大型数据集相当耗时。
数据可以解答一些有趣的问题。
数据集查找器
Kaggle：Kaggle是由联合创始人、首席执行官安东尼·高德布卢姆（Anthony Goldbloom）2010年在墨尔本创立的，主要为开发商和数据科学家提供举办机器学习竞赛、托管数据库、编写和分享代码的平台。该平台已经吸引了80万名数据科学家的关注。
在这个平台中可以找到各种数据，从拉面的评分、篮球数据，到西雅图的宠物牌照应有尽有。
https://www.kaggle.com/
UCI机器学习库（UCI Machine Learning Repository）：这是网络上最早的数据集来源之一，是寻找各种有趣数据集的第一选择。虽然用户提供的数据集的清洁度不太一样，但绝大多数都是干净的。我们可以从 UCI 机器学习库直接下载数据，无需注册。
http://mlr.cs.umass.edu/ml/
VisualData：在这里计算机视觉数据集按类别分组，并且支持搜索查询。
https://www.visualdata.io/
公共政府数据集
Data.gov：在这里可以下载到多个美国政府机构的数据。从政府预算到学校成绩。但要注意的是，很多数据还有待进一步研究。
https://www.data.gov/
食品环境地图集（Food Environment Atlas）：当地的食物选择如何影响美国饮食的数据。
https://catalog.data.gov/dataset/food-environment-atlas-f4a22
学校系统财务状况（School system finances）：这里有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（Chronic disease data）：美国各地慢性病指标的数据。
https://catalog.data.gov/dataset/u-s-chronic-disease-indicators-cdi-e50c9
美国国家教育统计中心（The US National Center for Education Statistics）：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、经济和人口数据收集机构。
https://www.ukdataservice.ac.uk/
数据美国（Data USA）：全面的、可视化的美国公共数据。
http://datausa.io/
金融和经济
Quandl： 里面有很多经济和金融数据，你可以使用这些数据建立预测经济指标或股价的模型。
https://www.quandl.com/
世界银行开放数据（World Bank Open Data）：涵盖世界各地人口统计、大量经济和发展指标的数据集。
https://data.worldbank.org/
货币基金组织的数据（IMF Data）：国际货币基金组织公布关于国际金融、债务率、外汇储备、商品价格和投资的数据。
https://www.imf.org/en/Data
英国金融时报金融时报市场数据（Financial Times Market Data：）：里面有来自世界各地的最新金融市场信息，包括股票价格指数、商品和外汇。
https://markets.ft.com/data/
谷歌趋势（Google Trends）：观察和分析有关互联网搜索活动和世界各地新闻故事趋势的数据。
http://www.google.com/trends?q=google&ctab=0&geo=all&date=all&sort=0
美国经济协会(AEA)：这这里你可以找到美国宏观经济的相关数据。
https://www.aeaweb.org/resources/data/us-macro-regional
机器学习数据集
Labelme：数据集中包含大量有标注的图像数据。
http://labelme.csail.mit.edu/Release3.0/browserTools/php/dataset.php
ImageNet： 是一个用于视觉对象识别软件研究的大型可视化数据库。超过1400万的图像URL被ImageNet手动注释。根据 WordNet 层次结构来组织，其中层次结构的每个节点都由成百上千个图像来描述。
http://image-net.org/
LSUN：场景理解与许多辅助任务（房间布局估计，显着性预测等）
http://lsun.cs.princeton.edu/2016/
MS COCO：通用图像的理解和文字描述。
http://mscoco.org/
COIL 100：在 360 度旋转中以各个角度成像的 100 个不同的物体。
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，配以0 万张带有文字描述的图像。
http://visualgenome.org/
谷歌的Open Images：“知识共享”（Creative Commons）下的900万个图像网址集合，已标注超过6,000个类别的标签。
https://research.googleblog.com/2016/09/introducing-open-images-dataset.html
Labelled Faces in the Wild：13,000个人脸标记图像，用于开发涉及面部识别的应用程序。
http://vis-www.cs.umass.edu/lfw/
Stanford Dogs Dataset：包含20580张图片和120个不同的狗品种类别。
http://vision.stanford.edu/aditya86/ImageNetDogs/
室内场景识别（Indoor Scene Recognition）：这是一个非常细化的数据集，由于大多数在“户外”场景中表现良好的场景识别模型在室内表现不佳，因而这个数据集非常有用。内有 67 个室内类别，共 15,620 张图像。
http://web.mit.edu/torralba/www/indoor.html
情感分析
多域情感分析数据集（Multidomain sentiment analysis dataset）：一个比较有历史的数据集，里面还有一些来自亚马逊的产品评论。
http://www.cs.jhu.edu/~mdredze/datasets/sentiment/
IMDB： 影评，也是比较有历史的二元情绪分类数据集、数据规模相对较小，里面有 25,000 条电影评论。
http://ai.stanford.edu/~amaas/data/sentiment/
斯坦福情感树银行（Stanford Sentiment Treebank）：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，它使用16万条推文，并把表情等等符号剔除了。
http://help.sentiment140.com/for-students/
Twitter 美国航空公司情绪数据集 (Twitter US Airline Sentiment)：自 2015 年 2 月以来美国航空公司的 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：里面有安然集团高级管理层的电子邮件数据。
https://www.cs.cmu.edu/~./enron/
亚马逊评论：里面有3500万条来自亚马逊的评论，时间长度为18年。数据包括产品和用户信息、评级等。
https://snap.stanford.edu/data/web-Amazon.html
Google Books Ngram：来自Google书籍的词汇集合。
https://aws.amazon.com/datasets/google-books-ngrams/
博客语料库：从blogger.com收集的681，288篇博客文章。每个博客至少包含200个常用的英语单词。
http://u.cs.biu.ac.il/~koppel/BlogCorpus.htm
维基百科链接数据（Wikipedia Links data）：维基百科全文。该数据集包含来自400多万篇文章，近19亿字。你可以对字、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电子图书列表：Project Gutenberg的附加注释的电子书列表。
http://www.gutenberg.org/wiki/Gutenberg:Offline_Catalogs
加拿大议会的文本块（Hansards text chunks of Canadian Parliament）：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/
危险边缘 (Jeopardy)：来自问答游戏节目《危险边缘》(Jeopardy) 的超过 20 万个问题的存档。
http://www.reddit.com/r/datasets/comments/1uyd0t/200000_jeopardy_questions_in_a_json_file/
英文SMS垃圾邮件收集（SMS Spam Collection in English）：包含5，574条英文垃圾邮件的数据集。
http://www.dt.fee.unicamp.br/~tiago/smsspamcollection/
Yelp评论（Yelp Reviews）：Yelp发布的一个开放数据集，包含超过500万次评论。
https://www.yelp.com/dataset
UCI的垃圾邮件库（UCI’s Spambase）：一个大型垃圾邮件数据集，用于垃圾邮件过滤。
https://archive.ics.uci.edu/ml/datasets/Spambase
自动驾驶
Berkeley DeepDrive BDD100k：这是目前最大的自动驾驶 数据集。里面有超过 1,100 多个小时驾驶体验的视频，包含10 万个在一天中不同时段以及在不同天气条件下的数据。
http://bdd-data.berkeley.edu/
百度 Apolloscapes：大型数据集，定义了26种不同的语义项，如汽车，自行车，行人，建筑物，路灯等。
http://apolloscape.auto/
Comma.ai：超过7个小时的高速公路驾驶视频。里面的数据包括汽车的速度、加速度、转向角和GPS坐标。
https://archive.org/details/comma-dataset
城市景观数据集：记录50个不同城市的城市街道场景的大型数据集。
https://www.cityscapes-dataset.com/
CSSAD数据集：包含自动车辆的感知和导航等数据，但着重于发达国家的道路。
http://aplicaciones.cimat.mx/Personal/jbhayet/ccsad-dataset
麻省理工学院AGE实验室（MIT AGE Lab:）：在AgeLab收集的1,000多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
博世小型交通灯数据集（Bosch Small Traffic Light Dataset）：用于深入学习的小交通灯数据集。
https://hci.iwr.uni-heidelberg.de/node/6132
Lara交通灯识别（LaRa Traffic Light Recognition）：巴黎交通灯的数据集。
http://www.lara.prd.fr/benchmarks/trafficlightsrecognition
WPI 数据集：交通灯、行人和车道检测的数据集。
http://computing.wpi.edu/dataset.html
相关报道：
https://medium.com/datadriveninvestor/the-50-best-public-datasets-for-machine-learning-d80e9f030279
作者：大数据文摘
链接：https://www.jianshu.com/p/92deb14adbb2
来源：
著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。