52 andmestikku treeningprojektide jaoks

1. Ostjate andmete kogum — poe külastajate andmed: id, sugu, vanus, sissetulek, kulutuste hinnang. (Rakenduse võimalus: Kliendisegmentatsiooni projekt masinõppe abil)
2. Iris andmestik — algajatele mõeldud andmestik, mis sisaldab erinevate lillede õiekatte ja kroonlehtede suurusi.
3. MNIST andmestik — käsitsi kirjutatud numbrite andmestik. 60 000 treeningpilti ja 10 000 testpilti.
4. Boston Housing andmestik — tuntud andmestik mustrite tuvastamiseks. Sisaldab teavet Bostonis asuvate majade kohta: korterite arv, üürihind, kuritegevuse indeks.
5. Valeuudiste tuvastamise andmestik — sisaldab 7796 kirjet uudiste märgistamisega: tõde või vale. (Rakenduse võimalus Pythonis: Valeuudiste tuvastamise Pythoniprojekt )
6. Veini kvaliteedi andmestik — sisaldab teavet veini kohta: 4898 kirjet 14 parameetriga.
7. SOCR andmed – pikkuste ja kaalude andmestik — hea alguspunkt. Sisaldab 25 000 kirjet 18-aastaste inimeste pikkuse ja kaalu kohta.
   

   
   
   Artikkel on tõlgitud EDISON Software'i toetusel, kes täidab tellimusi Lõuna-Hiinast "suurepäraselt", samuti arendab veebirakendusi ja saite.

8. Parkinsoni andmestik — 195 kirjet Parkinsoni tõvega patsientidest, 25 analüüsiparameetrit. Võib kasutada haigete ja tervete eristamise esialgseks hindamiseks. (Rakenduse võimalus Pythonis: Masinõppe projekt Parkinsoni haigusega tuvastamiseks)
9. Titanic andmestik — sisaldab teavet reisijate kohta (vanus, sugu, pereliikmed laevas jne) 891 treeningkomplektis ja 418 testkomplektis.
10. Uber Pickups Dataset — teave 4,5 miljoni Uberi sõidu kohta aastast 2014 ja 14 miljonit 2015. aastal. (Rakenduse variant R-i lähtekoodiga: Uberi andaanalüüsi projekt R-is)
11. Chars74k Dataset — sisaldab Briti ja Kanada sümbolite pilte 64 klassis: 0-9, A-Z, a-z. 7700 loomulikku pilti, 3400 käsitsi kirjutatud ja 62000 arvuti genereeritud fonti.
12. Krediitkaardi pettuse avastamise andmestik — sisaldab teavet tehingute kohta, kus on kasutatud kompromiteeritud krediitkaarte. (Rakenduse variant lähtekoodiga: Krediitkaardi pettuse avastamise masinõppe projekt)
13. Chatboti kavatsuste andmestik — JSON-fail, mis sisaldab erinevaid silte: tervitused, hüvastijätt, haigla_otsing, apteegi_otsing jne. Sisaldab küsimus-vastus šabloonide komplekti. (Rakenduse võimalus Pythonis: Chatboti projekt Pythonis)
14. Enroni e-posti andmestik — sisaldab pool miljonit e-kirja 150 Enroni juhi poolt.
15. Yelp Dataset — sisaldab 1,2 miljonit soovitust 1,6 miljonilt kasutajalt 1,2 miljoni organisatsiooni kohta.
16. Jeopardy Dataset — üle 200 000 «küsimus-vastus» kirje populaarse telesaate jaoks.
17. Soovitussüsteemide andmestik — portaal UCSD ülikooli andmestike kogumikuga. Sisaldab arvustusi populaarsetelt saitidelt (Goodreads, Amazon). Sobib suurepäraselt soovitussüsteemide loomiseks. (Rakenduse variant R-i lähtekoodiga: Filmi soovituste süsteemi projekt R-is )
18. UCI Spambase andmestik — andmestik rämpsposti tuvastamise koolitamiseks. Sisaldab 4601 e-kirja 57 metaandmete parameetriga.
19. Flickr 30k andmestik — üle 30 000 pildi ja nende kirjelduste kogum. (Flickr 8k andmestik — 8000 pilti. Projekt koos lähtekoodiga Pythonis: Pildi kirjelduste genereerimise Python projekt)
20. IMDB arvustused — 25 000 filmi arvustust koolituskomplektis ja 25 000 testkomplektis. (Rakenduse variant R-i lähtekoodiga: Meeleolu analüüsi andeteaduse projekt)
21. MS COCO andmestik — 1,5 miljonit märgistatud pilti.
22. CIFAR-10 ja CIFAR-100 andmestik — CIFAR-10 sisaldab 60 000 väikepilti, mille suurus on 32*32 pikslit numbrite 0-9 kohta. CIFAR-100 — vastavalt 0-100.
23. GTSRB (Saksa liiklusmärkide tuvastamise standard) Andmestik — 50 000 pilti 43 liiklusmärgist. (Rakenduse võimalus Pythonis: Liiklusmärkide tuvastamise Python projekt)
24. ImageNet andmestik — sisaldab üle 100 000 fraasi ja umbes 1000 pilti iga fraasi kohta.
25. Rinna histopatoloogia piltide andmestik — andmestik sisaldab pildi proove rindkerevähi kohta. (Rakenduse variant koos lähtekoodiga Rinnavähi klassifitseerimise Python projekt)
26. Cityscapes andmestik — sisaldab kvaliteetseid annotatsioone erinevate linnade tänavate videosekventse.
27. Kinetics andmestik — sisaldab URL-viidet umbes 6,5 miljonile kõrgekvaliteedilisele videole.
28. MPII inimkeha pooside andmestik — andmestik sisaldab 25 000 pildi inimese positsiooni liigestega annotatsiooniga.
29. 20BN-something-something andmestik v2 — kogum kõrgekvaliteedilisi videoid, mis näitavad, kuidas inimene sooritab erinevaid tegevusi.
30. Objekt 365 andmestik — kogum kõrgekvaliteedilisi pilte objekti piirjoontega.
31. Fotojoonistuse andmestik — sisaldab üle 1000 pildi ja nende kontuurjoonistega.
32. CQ500 andmestik — andmestik sisaldab 491 CT-pea skaneeringut 193 317 lõikega.
33. IMDB-Wiki andmestik — andmestik, mis sisaldab üle 5 miljoni näo pildi koos soo ja vanuse märgistusega. (Rakenduse variant koos lähtekoodiga Soo ja vanuse tuvastamise Python projekt)
34. Youtube 8M andmestik — märgistatud videote andmestik, mis sisaldab 6,1 miljonit Youtube video identifikaatorit.
35. Urban Sound 8K andmestik — linnakärastikute andmestik (sisaldab 8732 linnakärastikuid 10 klassis).
36. LSUN andmestik — andmestik, mis koosneb miljonitest värvilistest piltidest stseenidest ja objektidest (umbes 59 miljonit pilti, 10 erinevat stseenikategooriat ja 20 erinevat objektikategooriat).
37. RAVDESS andmestik — audivisuaalne andmebaas emotsionaalsetest kõnedest. (Rakenduse variant koos lähtekoodiga Kõne emotsiooni tuvastamise Python projekt)
38. Librispeech andmestik — andmebaas sisaldab 1000 tundi inglise keelt erinevate aktsentidega.
39. Baidu Apolloscape Dataset — andmebaas, mis toetab isesõitvate tehnoloogiate arengut.
40. Quandl Data Portal — majanduslike ja finantsandmete hoidla (tasuta ja tasulise sisuga).
41. The World Bank Open Data Portal — teave laenude kohta, mida Üksedriiklikku Panka on välja andnud arenevatele riikidele.
42. IMF Data Portal — rahvusvahelise valuutafondi portaal, mis avaldab andmeid rahvusvaheliste rahanduse, võlakohustuste määrade, investeeringute, valuutareservide ja kaupade kohta.
43. American Economic Association (AEA) Data Portal — USA makroökonoomika andmete otsimise ressurss.
44. Google Trends Data Portal — Google'i trendide andmeid saab kasutada andmete visuaalseks uurimiseks ja analüüsimiseks.
45. Financial Times Market Data Portal — ressurss, et saada värsket teavet globaalsest finantsturgudest.
46. Data.gov Portal — USA valitsuse avatud andmete portaal (põllumajandus, tervishoid, kliima, haridus, energia, rahandus, teadus ja uurimistöö jne).
47. Data Portal: Open government data (India) — India avatud valitsuse andmete platvorm.
48. Food environment Atlas Data Portal — sisaldab andmeid USA toitumisuuringute kohta.
49. Health Data Portal — see USA tervise- ja sotsiaalteenuste ministeeriumi portaal.
50. Haiguste Tõrje ja Ennetamise Keskuste Andmete Portaal — pakub laia valikut tervisega seotud andmeid.
51. London Data Store Portaal — andmed inimeste elust Londonis.
52. Kanada Valitsuse Avatud Andmete Portaal — kanadalaste avatud andmete portaal (põllumajandus, kunst, muusika, haridus, valitsus, tervishoid jne.)

Loe veel

• 14 avatud lähtekoodiga projekti, et arendada oma andmete teaduse oskusi (lihtne, normaalne, keeruline)
• Front-end dook: projektid arendaja oskuste harjutamiseks (5 uut + 43 vana)
• Top-12 kõige huvitavamat IT-dünaamilist infograafikat

Allikas: habr.com