52 andmete komplekti treeningprojektide jaoks

1. Mallikundade andmekogu — poe külastajate andmed: id, sugu, vanus, sissetulek, kulutuste reiting. (Rakendamise variant: Kliendisegmentide projekt masinõppega)
2. Iris andmekogu — andmekogu algajatele, sisaldades õielehtede ja kaelustelgede suurusi erinevate lillede jaoks.
3. MNIST andmekogu — käekirjaga numbrite andmekogu. 60 000 treeningpilti ja 10 000 testpilti.
4. Bostoni eluasemeturu andmekogu — populaarne andmekogu mustrite tuvastamiseks. Sisaldab teavet Bostoni majade kohta: korterite arv, üürihind, kuritegevuse indeks.
5. Vale uudiste tuvastamise andmekogu — sisaldab 7796 kirjet uudiste tähistamisega: tõde või vale. (Rakendamise variant koos algkoodiga Pythonis: Vale uudiste tuvastamise projekt Pythonis )
6. Veini kvaliteedi andmekogu — sisaldab teavet veini kohta: 4898 kirjet 14 parameetriga.
7. SOCR andmed – pikkused ja kaalukad andmekogu — hea variant alustamiseks. Sisaldab 25 000 kirjet 18-aastaste inimeste pikkuse ja kaalu kohta.
   

   
   
   Artikkel on tõlgitud ettevõtte EDISON Software toetusel, mis täidab „suurepäraselt” tellimusi Lõuna-Hiinast, samuti arendab veebirakendusi ja saite.

8. Parkinsoni andmekogu — 195 kirjet Parkinsoni haigusega patsientidest, 25 analüüsi parameetriga. Saadakse kasutada haiguse eristamiseks tervetest inimestest. (Rakendamise variant koos algkoodiga Pythonis: Masinõppe projekt Parkinsoni haiguse tuvastamiseks)
9. Titanicu andmekogu — sisaldab teavet reisijate kohta (vanus, sugu, kaaslased laeva pardal jne) 891 treeningkomplektis ja 418 – testkomplektis.
10. Uberi sõidud andmekogu — teave 4,5 miljoni Uberi sõidureisi kohta 2014. aastal ja 14 miljoni kohta 2015. aastal. (Rakendamise variant koos algkoodiga R-is: Uberi andmeanalüüsi projekt R-is)
11. Chars74k andmekogu — sisaldab Briti ja Kanada sümbolite pilte 64 klassis: 0-9, A-Z, a-z. 7700 7,7k looduslikku pilti, 3400 käsitsi kirjutatud, 62000 arvuti genereeritud fonti.
12. Krediitkaardi petusuletamise andmekogu — sisaldab teavet kompromiteeritud krediitkaardi tehingute kohta. (Rakendamise variant koos algkoodiga: Krediitkaardi petusuletamise masinõppe projekt)
13. Vestlusroboti kavatsuste andmekogu — JSON-fail, mis sisaldab erinevaid silte: tervitused, head päevad, haiglaotsing, apteegiotsing jne. Sisaldab küsimus-vastus malle. (Rakendamise variant koos algkoodiga Pythonis: Vestlusroboti projekt Pythonis)
14. Enroni e-kirjade andmekogu — sisaldab pool miljonit kirja 150 Enroni juhi poolt.
15. Yelpi andmekogu — sisaldab 1,2 miljonit soovitust 1,6 miljonilt kasutajalt 1,2 miljoni organisatsiooni kohta.
16. Jeopardy andmekogu — üle 200 000 „küsimus-vastus” kirje populaarsetest telesaadetest.
17. Soovitussüsteemide andmekogu — portaal UCSD ülikooli andmehulkade kogumikuga. Sisaldab ülevaateid populaarsetelt saitidelt (Goodreads, Amazon). Sobib suurepäraselt soovitussüsteemide loomiseks. (Rakendamise variant koos algkoodiga R-is: Filmi Soovituste Süsteemi Projekt R-s )
18. UCI Spambase Andmehulk — andmehulk rämpsposti avastamise treenimiseks. Sisaldab 4601 kirja 57 metaandmete parameetriga.
19. Flickr 30k Andmehulk — üle 30 000 pildi ja nende pealkirjad. (Flickr 8k Andmehulk — 8000 pilti. Projekt Pythonis: Pildi Pealkirjade Generaatori Python Projekt)
20. IMDB arvustused — 25 000 filmiülevaadet treeningkomplektis ja 25 000 testimiseks. (Rakendamise variant koos algkoodiga R-is: Meeleolu Analüüsi Andeteaduse Projekt)
21. MS COCO andmehulk — 1,5 miljonit märgistatavat pilti.
22. CIFAR-10 ja CIFAR-100 andmehulk — CIFAR-10 sisaldab 60 000 väikest 32*32 pikslise pildi numbritest 0-9. CIFAR-100 vastavalt numbritele 0-100.
23. GTSRB (Saksa liiklusmärkide tuvastamise mõõdik) Andmehulk — 50 000 pilti 43 liiklusmärgist. (Rakendamise variant koos algkoodiga Pythonis: Liiklusmärkide Tuvastamise Python Projekt)
24. ImageNet andmehulk — sisaldab üle 100 000 fraasi ja umbes 1000 pilti iga fraasi kohta.
25. Rinna Histopatoloogia Piltide Andmehulk — andmehulk sisaldab piltide näidiseid rinnavähist. (Rakenduse variant koos lähtekoodiga Rinnavähi Klassifitseerimise Python Projekt)
26. Cityscapes Andmehulk — sisaldab kvaliteetseid annotatsioone erinevate linnade tänavaseeriates.
27. Kinetics Andmehulk — sisaldab URL-i umbes 6,5 miljoni kvaliteetse video kohta.
28. MPII inimeste asendi andmehulk — andmehulk sisaldab 25 000 inimese asendi pilti liigestega annotatsioonide järgi.
29. 20BN-thing-thing andmehulk v2 — kõrgekvaliteedilised videod, mis näitavad, kuidas inimene teatud tegevusi teeb.
30. Objekt 365 Andmehulk — andmehulk kõrgekvaliteediliste piltidega, millel on objektide piirjooned.
31. Foto sketšimise andmehulk — sisaldab üle 1000 pildi nende kontuurjoonistega.
32. CQ500 Andmehulk — andmehulk sisaldab 491 CT-uuringut peast koos 193 317 lõikega.
33. IMDB-Wiki andmehulk — andmehulk, mis sisaldab üle 5 miljoni näo pilti koos sugu ja vanuse märgistusega. (Rakenduse variant koos lähtekoodiga Sugu & Vanuse Tuletamise Python Projekt)
34. Youtube 8M Andmehulk — märgistatud videode andmehulk, mis sisaldab 6,1 miljonit Youtube'i video identifikaatorit
35. Urban Sound 8K andmehulk — linnakohalike helide andmehulk (sisaldab 8732 linnamüra kümnest klassist).
36. LSUN Andmehulk — andmehulk miljonitest värvilistest stseenide ja objektide piltidest (umbes 59 miljonit pilti, 10 erinevat stseeni kategooriat ja 20 erinevat objekti kategooriat).
37. RAVDESS Andmehulk — audiovisuaalne andmebaas emotsionaalsest kõnest. (Rakenduse variant koos lähtekoodiga Kõne Emotsiooni Tuvastamise Python Projekt)
38. Librispeech Andmehulk — andmebaas sisaldab 1000 tundi ingliskeelset kõnet erinevate aktsentidega.
39. Baidu Apolloscape Dataset — andmebaas iseseisva sõidu tehnoloogiate arendamiseks.
40. Quandl Data Portal — majanduslike ja rahandusalaste andmete säilitamise koht (on tasuta ja tasulist sisu).
41. The World Bank Open Data Portal — teave laenude kohta, mille Ülemaailmne Pank on andnud arengumaadele.
42. IMF Data Portal — rahvusvahelise valuutafondi portaal, mis avaldab andmeid rahvusvaheliste finantside, võlgade intressimäärade, investeeringute, valuutavarude ja kaupade kohta.
43. American Economic Association (AEA) Data Portal — ressurss USA makroökonoomika andmete leidmiseks.
44. Google Trends Data Portal — Google'i trendide andmeid saab kasutada andmete visuaalseks uurimiseks ja analüüsimiseks.
45. Financial Times Market Data Portal — ressurss, kust saada värskeid teadmisi rahaturgudest üle kogu maailma.
46. Data.gov Portal — USA valitsuse avatud andmete portaal (põllumajandus, tervishoid, kliima, haridus, energia, rahandus, teadus ja uurimistööd jne).
47. Data Portal: Open government data (India) — India avatud valitsuse andmete platvorm.
48. Food environment Atlas Data Portal — sisaldab USA toitumise uurimiste andmeid.
49. Health Data Portal — see on USA tervise- ja sotsiaalteenuste osakonna portaal.
50. Centers for Disease Control and Prevention Data Portal — sisaldab laia valikut tervisega seotud andmeid.
51. London Datastore Portal — andmed inimeste elu kohta Londonis.
52. Canada Government Open Data Portal — kanadalaste avatud andmete portaal (põllumajandus, kunst, muusika, haridus, valitsus, tervishoid jne).

Loe rohkem

• 14 avatud lähtekoodiga projekti Data Science oskuste arendamiseks (lihtne, normaalne, raske)
• Front-end dojos: projektid arendajakogemuse harjutamiseks (5 uut + 43 vana)
• Top-12 kõige huvitavamat IT-dünaamilist infograafikat

Allikas: habr.com