52 datasets voor trainingsprojecten

1. Dataset van winkelklanten — gegevens van winkelbezoekers: id, geslacht, leeftijd, inkomen, uitgavenrating. (Toepassingsvoorbeeld: Klantsegmentatieproject met Machine Learning)
2. Iris Dataset — dataset voor beginners, bevat afmetingen van kelkbladen en bloemblaadjes van verschillende bloemen.
3. MNIST Dataset — dataset van handgeschreven cijfers. 60.000 trainingsafbeeldingen en 10.000 testafbeeldingen.
4. Het Boston Housing Dataset — populaire dataset voor patroonherkenning. Bevat informatie over huizen in Boston: aantal appartementen, huurprijzen, criminaliteitsindex.
5. Dataset voor het detecteren van nepnieuws — bevat 7796 records met gemarkeerde nieuwsitems: waar of niet waar. (Toepassingsvoorbeeld met de broncode in Python: Nepnieuwsdetectie Python-project )
6. Dataset over wijnkwaliteit — bevat informatie over wijn: 4898 records met 14 parameters.
7. SOCR-data – Dataset van lengtes en gewichten — goede optie om mee te beginnen. Bevat 25.000 records over de lengte en het gewicht van 18-jarigen.
   

   
   
   Dit artikel is vertaald met de ondersteuning van EDISON Software, dat verwerkt bestellingen uit Zuid-China "uitstekend", evenals ontwikkelt webapplicaties en websites.

8. Parkinson Dataset — 195 records van patiënten met de ziekte van Parkinson, met 25 analysem parameters. Kan worden gebruikt voor een eerste beoordeling van het verschil tussen zieke en gezonde mensen. (Toepassingsvoorbeeld met de broncode in Python: Machine Learning-project voor het detecteren van de ziekte van Parkinson)
9. Titanic Dataset — bevat informatie over passagiers (leeftijd, geslacht, familie aan boord, enz.) 891 in de trainingsset en 418 — in de testset.
10. Uber Pickups Dataset — informatie over 4,5 miljoen ritten met Uber in 2014 en 14 miljoen in 2015. (Toepassingsvoorbeeld met de broncode in R: Uber Data-analyseproject in R)
11. Chars74k Dataset — bevat afbeeldingen van Britse en Canadese symbolen van 64 klassen: 0-9, A-Z, a-z. 7700 natuurlijke afbeeldingen, 3400 handgeschreven, 62000 gesynthetiseerde lettertypen.
12. Dataset voor detectie van creditcardfraude — bevat informatie over transacties van gecompromitteerde creditcards. (Toepassingsvoorbeeld met de broncode: Machine Learning-project voor detectie van creditcardfraude)
13. Dataset voor chatbot-intenties — JSON-bestand dat verschillende tags bevat: begroetingen, afscheid, ziekenhuiszoeken, apotheekzoeken, enz. Bevat een set van vraag-en-antwoord sjablonen. (Toepassingsvoorbeeld met de broncode in Python: Chatbot Project in Python)
14. Enron E-mail Dataset — bevat een half miljoen e-mails van 150 managers van Enron.
15. De Yelp Dataset — bevat 1,2 miljoen aanbevelingen van 1,6 miljoen gebruikers voor 1,2 miljoen organisaties.
16. Jeopardy Dataset — meer dan 200.000 vraag-antwoord records van de populaire tv-quiz.
17. Dataset voor aanbevelingssystemen — portaal met een verzameling datasets van de UCSD-universiteit. Bevat records van recensies op populaire websites (Goodreads, Amazon). Uitstekend geschikt voor het maken van aanbevelingssystemen. (Toepassingsvoorbeeld met de broncode in R: Film Aanbevelingsysteem Project in R )
18. UCI Spambase Dataset — dataset voor training voor het detecteren van spam. Bevat 4601 e-mails met 57 metadata parameters.
19. Flickr 30k Dataset — meer dan 30.000 afbeeldingen en bijschriften. (Flickr 8k Dataset — 8000 afbeeldingen. Project met broncode in Python: Afbeelding Bijschrift Generator Python Project)
20. IMDB-reviews — 25.000 filmrecensies in de trainingsset en 25.000 in de testset. (Toepassingsvoorbeeld met de broncode in R: Sentiment Analyse Data Science Project)
21. MS COCO dataset — 1,5 miljoen gelabelde afbeeldingen.
22. CIFAR-10 en CIFAR-100 dataset — CIFAR-10 bevat 60.000 kleine afbeeldingen van 32*32 pixels cijfers 0-9. CIFAR-100 — respectievelijk 0-100.
23. GTSRB (Duitse verkeersbord herkenningsbenchmark) Dataset — 50.000 afbeeldingen van 43 verkeersborden. (Toepassingsvoorbeeld met de broncode in Python: Verkeersbordenherkenning Python Project)
24. ImageNet dataset — bevat meer dan 100.000 zinnen en ongeveer 1000 afbeeldingen per zin.
25. Borstkankermicroscopische afbeeldingen Dataset — de dataset bevat afbeeldingen van borstkankerproefmonsters. (Toepassingsvoorbeeld met broncode op Borstkankerclassificatie Python Project)
26. Cityscapes Dataset — bevat hoogwaardige annotaties van videosequenties van straten in verschillende steden.
27. Kinetics Dataset — bevat een URL-link naar ongeveer 6,5 miljoen hoogwaardige video's.
28. MPII menselijke houding dataset — dataset bevat 25.000 afbeeldingen van menselijke houdingen met annotaties van gewrichten.
29. 20BN-iets-iets dataset v2 — set met hoogwaardige video's die tonen hoe een persoon bepaalde acties uitvoert.
30. Object 365 Dataset — dataset met hoogwaardige afbeeldingen met omkaderingen van objecten.
31. Foto schetsen dataset — bevat meer dan 1000 afbeeldingen met hun contourtekeningen.
32. CQ500 Dataset — dataset bevat 491 CT-scans van de hoofd met 193.317 sneden.
33. IMDB-Wiki dataset — dataset met meer dan 5 miljoen afbeeldingen van gezichten gemarkeerd met geslacht en leeftijd. (Toepassingsvoorbeeld met broncode op Geslacht & Leeftijd Detectie Python Project)
34. Youtube 8M Dataset — gelabelde dataset van video's die 6,1 miljoen Youtube video-ID's bevat
35. Urban Sound 8K dataset — set met stedelijke geluidsgegevens (bevat 8732 stedelijke geluiden uit 10 klassen).
36. LSUN Dataset — dataset van miljoenen kleurafbeeldingen van scènes en objecten (ongeveer 59 miljoen afbeeldingen, 10 verschillende categorieën scènes en 20 verschillende categorieën objecten).
37. RAVDESS Dataset — audiovisuële database van emotionele spraak. (Toepassingsvoorbeeld met broncode op Spraak Emotieherkenning Python Project)
38. Librispeech Dataset — de dataset bevat 1000 uur Engelse spraak met verschillende accenten.
39. Baidu Apolloscape Dataset — dataset voor de ontwikkeling van technologieën voor autonoom rijden.
40. Quandl Data Portal — opslagplaats van economische en financiële gegevens (er is gratis en betaalde inhoud).
41. The World Bank Open Data Portal — informatie over leningen die door de Wereldbank aan ontwikkelingslanden zijn verstrekt.
42. IMF Data Portal — portal van het Internationaal Monetair Fonds dat gegevens publiceert over internationale financiën, schuldrentetarieven, investeringen, valutareserves en grondstoffen.
43. American Economic Association (AEA) Data Portal — bron voor het zoeken naar macro-economische gegevens van de VS.
44. Google Trends Data Portal — gegevens over Google-trends kunnen worden gebruikt voor visuele studie en analyse.
45. Financial Times Market Data Portal — bron voor actuele informatie over financiële markten over de hele wereld.
46. Data.gov Portal — portal voor open gegevens van de Amerikaanse overheid (landbouw, gezondheid, klimaat, onderwijs, energie, financiën, wetenschap en onderzoek, enz.).
47. Data Portal: Open government data (India) — open overheidsdataplatform van India.
48. Food environment Atlas Data Portal — bevat onderzoeksgegevens over voeding in de VS.
49. Health Data Portal — dit is de portal van het Amerikaanse Ministerie van Gezondheid en Sociale Zaken.
50. Centers for Disease Control and Prevention Data Portal — bevat een breed scala aan gezondheidsgerelateerde gegevens.
51. London Datastore Portal — gegevens over het leven van mensen in Londen.
52. Canada Government Open Data Portal — portal van open gegevens over Canadezen (landbouw, kunst, muziek, onderwijs, overheid, gezondheid, enz.).

Lees verder

• 14 open-source projecten om je Data Science vaardigheden te verbeteren (easy, normal, hard)
• Front-end dojo: projecten om de vaardigheden van ontwikkelaars te oefenen (5 nieuwe + 43 oude)
• Top 12 meest interessante IT-dynamische infographics

Bron: habr.com