🥇52 de seturi de date pentru proiecte de antrenament

Set de date al clienților din mall — date despre vizitatorii magazinului: id, sex, vârstă, venit, rating cheltuieli. (Exemplu de utilizare: Proiect de segmentare a clienților cu învățare automată)
Set de date Iris — set de date pentru începători, conținând dimensiunile sepalei și petalelor pentru diferite flori.
Set de date MNIST — set de date cu cifre scrise de mână. 60 000 de imagini de antrenament și 10 000 de imagini de test.
Set de date privind locuințele din Boston — set de date popular pentru recunoașterea modelului. Conține informații despre casele din Boston: numărul de apartamente, prețul chiriei, indicele de criminalitate.
Set de date pentru detectarea știrilor false — conține 7796 de înregistrări etichetați ca fiind adevărate sau false. (Exemplu de utilizare cu cod sursă în Python: Proiect de detectare a știrilor false în Python )
Set de date privind calitatea vinului — conține informații despre vin: 4898 de înregistrări cu 14 parametri.
Datele SOCR – Set de date privind înălțimea și greutatea — o opțiune bună pentru început. Conține 25 000 de înregistrări despre altura și greutatea persoanelor de 18 ani.

Articolul a fost tradus cu sprijinul companiei EDISON Software, care completes orders from Southern China with 'excellent' success, dar și pentru develops web applications and websites.
Set de date Parkinson — 195 de înregistrări despre pacienți cu boala Parkinson, cu 25 de parametrii de analiză. Poate fi folosit pentru evaluarea preliminară a diferențelor între persoanele bolnave și cele sănătoase. (Exemplu de utilizare cu cod sursă în Python: Proiect de învățare automată pentru detectarea bolii Parkinson)
Set de date Titanic — conține informații despre pasageri (vârstă, sex, rude la bord etc.) 891 în setul de antrenament și 418 în cel de test.
Set de date privind cursele Uber — informații despre 4.5 milioane de curse Uber din 2014 și 14 milioane din 2015. (Exemplu de utilizare cu cod sursă în R: Proiect de analiză a datelor Uber în R)
Set de date Chars74k — conține imagini cu simboluri britanice și canadiene din 64 de clase: 0-9, A-Z, a-z. 7700 7.7k imagini naturale, 3400k scrise de mână, 62000 fonturi sintetizate de computer.
Set de date pentru detectarea fraudelor cu carduri de credit — conține informații despre tranzacții cu carduri de credit compromise. (Exemplu de utilizare cu cod sursă: Proiect de detectare a fraudelor cu carduri de credit folosind învățarea automată)
Set de date pentru intențiile chatbot-ului — fișier JSON care conține diferite etichete: salutări, rămas bun, căutare spital, căutare farmacie etc. Conține un set de șabloane 'întrebare-răspuns'. (Exemplu de utilizare cu cod sursă în Python: Proiect de chatbot în Python)
Set de date Enron Email — conține o jumătate de milion de emailuri de la 150 de manageri Enron.
Set de date Yelp — conține 1,2 milioane de recenzii de la 1,6 milioane de utilizatori despre 1,2 milioane de organizații.
Set de date Jeopardy — mai mult de 200 000 de înregistrări 'întrebare-răspuns' din jocul TV popular.
Set de date pentru sisteme de recomandare — un portal cu o colecție de seturi de date de la Universitatea UCSD. Conține înregistrări despre recenzii pe site-uri populare (Goodreads, Amazon). Ideal pentru crearea de sisteme de recomandare. (Exemplu de utilizare cu cod sursă în R: Proiect de sistem de recomandare de filme în R )
Setul de date UCI Spambase — set de date pentru antrenament pentru detectarea spamului. Conține 4601 de e-mailuri cu 57 de parametrii de metadate.
Setul de date Flickr 30k — peste 30.000 de imagini și descrieri ale acestora. (Setul de date Flickr 8k — 8000 de imagini. Proiect cu sursa în Python: Generator de descrieri de imagini Proiect Python)
Recenzii IMDB — 25.000 de recenzii de filme în setul de antrenament și 25.000 în testare. (Exemplu de utilizare cu cod sursă în R: Proiect de analiză a sentimentelor în știința datelor)
Setul de date MS COCO — 1,5 milioane de imagini etichetate.
Setul de date CIFAR-10 și CIFAR-100 — CIFAR-10 conține 60.000 de imagini mici de 32*32 pixeli cu cifre de la 0 la 9. CIFAR-100 — respectiv, de la 0 la 100.
Setul de date GTSRB (baza de referință pentru recunoașterea semnelor de trafic germane) — 50.000 de imagini cu 43 de semne de trafic. (Exemplu de utilizare cu cod sursă în Python: Proiect de recunoaștere a semnelor de trafic Python)
Setul de date ImageNet — conține peste 100.000 de fraze și aproximativ 1000 de imagini pe frază.
Setul de date de imagini histopatologice ale sânului — setul de date conține imagini ale probelor de cancer de sân. (Aplicare cu sursa la Proiect de clasificare a cancerului de sân în Python)
Setul de date Cityscapes — conține anotări de înaltă calitate pentru secvențe video ale străzilor din diverse orașe.
Setul de date Kinetics — conține un link URL către aproximativ 6,5 milioane de videoclipuri de înaltă calitate.
Setul de date MPII pentru postura umană — setul de date conține 25.000 de imagini cu posturi umane etichetate pe articulații.
Setul de date 20BN-something-something v2 — set de videoclipuri de înaltă calitate care arată cum o persoană efectuează diverse acțiuni.
Setul de date Object 365 — setul de date de imagini de înaltă calitate cu cadre limitative pentru obiecte.
Setul de date pentru schițarea fotografiilor — conține peste 1000 de imagini cu contururile acestora.
Setul de date CQ500 — setul de date conține 491 de scanări CT ale capului cu 193.317 secțiuni.
Setul de date IMDB-Wiki — set de date cu peste 5 milioane de imagini ale fețelor, etichetate cu gen și vârstă. (Aplicare cu sursa la Proiect Python pentru detectarea genului și vârstei)
Setul de date Youtube 8M — set de date etichetate cu videoclipuri, care conține 6,1 milioane de identificatori de videoclipuri Youtube
Setul de date Urban Sound 8K — set de date de sunete urbane (conține 8732 de sunete urbane din 10 clase).
Setul de date LSUN — set de date din milioane de imagini colorate ale scenelor și obiectelor (aproximativ 59 de milioane de imagini, 10 categorii diferite de scene și 20 de categorii diferite de obiecte).
Setul de date RAVDESS — o bază de date audiovizuală a vorbirii emoționale. (Aplicare cu sursa la Proiect de recunoaștere a emoțiilor în vorbire Python)
Setul de date Librispeech — setul de date conține 1000 de ore de discurs în limba engleză cu diferite accente.
Baidu Apolloscape Dataset — setul de date pentru dezvoltarea tehnologiilor de conducere autonomă.
Quandl Data Portal — depozit de date economice și financiare (există conținut gratuit și plătit).
The World Bank Open Data Portal — informații despre împrumuturile acordate de Banca Mondială țărilor în dezvoltare.
IMF Data Portal — portalul Fondului Monetar Internațional care publică date despre finanțele internaționale, ratele datoriei, investiții, rezerve valutare și mărfuri.
American Economic Association (AEA) Data Portal — resursă pentru găsirea datelor macroeconomice din Statele Unite.
Google Trends Data Portal — datele despre tendințele Google pot fi utilizate pentru a explora și analiza vizual datele.
Financial Times Market Data Portal — resursă pentru obținerea de informații actuale despre piețele financiare din întreaga lume.
Data.gov Portal — portalul de date deschise al guvernului SUA (agricultură, sănătate, climă, educație, energie, finanțe, știință și cercetare etc.).
Data Portal: Open government data (India) — platforma deschisă de date ale guvernului Indiei.
Food environment Atlas Data Portal — conține date cercetări despre alimentația din SUA.
Health Data Portal — acesta este portalul Ministerului Sănătății și Serviciilor Sociale din SUA.
Centers for Disease Control and Prevention Data Portal — conține o gamă largă de date legate de sănătate.
London Datastore Portal — date despre viața oamenilor din Londra.
Canada Government Open Data Portal — portalul de date deschise despre canadieni (agricultură, artă, muzică, educație, guvern, sănătate etc.).

Citește mai mult

Sursa: habr.com