Подборка датасетов для машинного обучения

Привет, читатель! Перед тобой статья-путеводитель по открытым наборам данных для машинного обучения.

В ней я для начала соберу подборку интересных и свежих (относительно) датасетов. А бонусом в конце статьи прикреплю полезные ссылки по самостоятельному поиску датасетов.

Итак, меньше слов, больше данных.

• Данные смертей и сражений из «Игры престолов». Набор данных объединяет три источника, каждый из которых основан на информации из серии книг.
• Глобальная база данных терроризма. Более 180 тысяч террористических атак по всему миру: с 1970 года по 2017 год.
  
• Биткоин, исторические данные. Данные биткоина с интервалом в 1 минуту с избранных бирж: с января 2012 года по март 2019 года.
  
• FIFA 19 полный набор данных игроков. Больше 18 тысяч игроков FIFA 19, примерно 90 атрибутов, извлечённых из последней базы данных FIFA.
  
• Статистика видео YouTube. Ежедневная статистика трендовых видео на YouTube.
  
• Обзор показателей самоубийств с 1985 года по 2016 год. Сравнение социально-экономической информации с показателями самоубийств по годам и странам.
  
• Huge Stock Market Dataset. Исторические дневные цены и объёмы всех американских акций и ETF.
  
• Индикаторы мирового развития. Показатели развития стран со всего мира.
  
• Kaggle Machine Learning & Data Science Survey 2017. Большое представление о состоянии науки о данных и машинного обучения.
  
• Данные о насилии и оружии. Полный отчёт о более чем 260 тысячах американских инцидентов с применением оружия в 2013–2018 годах.
  
• Рентгенография грудной клетки (пневмония). 5863 изображения, две категории.
  
• Распознавание пола по голосу. Эта база данных была создана, чтобы идентифицировать голос как мужской или женский, основываясь на акустических свойствах голоса и речи. Набор данных состоит из 3168 записанных голосовых сэмплов, собранных от мужчин и женщин.
  
• Студенческое потребление алкоголя. Данные были получены в ходе опроса учащихся по математике и португальскому языку на курсах в средней школе. Он содержит много интересной социальной, гендерной и учебной информации о студентах.
  
• Набор данных о клетках малярии. Сотовые изображения для выявления малярии.
  
• Опросы молодых людей. Данные о предпочтениях, интересах, привычках, мнениях и страхах молодых людей.
  
• Мировые рейтинги университетов. Исследуйте лучшие университеты мира.
  
• Обнаружение мошенничества с кредитными картами. Датасет по анонимным транзакциям кредитных карт, помеченные как мошеннические или подлинные.
  
• Датасет болезней сердца. База данных содержит 76 атрибутов, таких как возраст, пол, тип боли в груди, артериальное давление в покое и другие.
  
• Европейская футбольная база. Больше 25 тысяч матчей, атрибуты игроков и команд для европейского профессионального футбола.
  
• Винные обзоры. 130 тысяч винных обзоров с разнообразием, местоположением, винодельней, ценой и описанием.
  
• Baidu Apolloscapes. Большой датасет для распознавания 26 семантически разных объектов вроде машин, велосипедов, пешеходов, зданий, уличных фонарей и так далее.
  
• Comma.ai. Более семи часов езды по шоссе. Датасет включает информацию о скорости машины, ускорении, угле поворота руля и GPS-координатах.
  
• Распознавание цветов. Набор данных содержит 4242 изображения цветов. Сбор данных основан на данных Flickr, изображениях Google и «Яндекса».
  
• Ежедневная рыночная цена каждой криптовалюты. Исторические цены на криптовалюту для всех токенов.
  
• Шоколадный рейтинг. Экспертный рейтинг более 1700 шоколадных батончиков.
  
• Рынок медицинского страхования. Данные о планах в области здравоохранения и стоматологии на рынке медицинского страхования США.
  
• Звуки сердцебиения. Классификация аномалий сердцебиения по стетоскопу.
  
• База данных аниме рекомендаций. Рекомендации от 76 тысяч пользователей на myanimelist.net
  
• Изображения клеток крови. 12 500 изображений: четыре разных типа клеток.
  
• Рентгенография грудной клетки. Более 112 тысяч рентгенограмм грудной клетки от более чем 30 тысяч уникальных пациентов.
  
• Отчеты об убийствах, 1980–2014 годы. Проект «Ответственность за убийства» — самая полная база данных об убийствах в Соединенных Штатах, доступных в настоящее время.
  
• База данных подержанных автомобилей. Более 370 тысяч подержанных автомобилей. Содержание данных на немецком языке, поэтому нужно сначала перевести их, если вы не говорите на немецком.
  
• Дом открытых данных правительства США. Данные, инструменты и ресурсы для проведения исследований, разработки веб-приложений и мобильных приложений, разработки визуализаций данных.
  
• Национальный центр профилактики хронических заболеваний и укрепления здоровья (NCCDPHP). Центр работает над снижением факторов риска хронических заболеваний.
  
• Крупнейший в Великобритании сборник социальных, экономических и демографических ресурсов.
  
• EconData. Несколько тысяч экономических временных рядов, подготовленных рядом правительственных учреждений США и распространенных в различных форматах и СМИ.
  
• Центр исследования побережья. Интересные данные о море и его биологическом составе. Здесь можно найти датасеты начиная с анализа данных модели Красного моря до исследования температуры и течений над узким южным калифорнийским шельфом.
  
• Набор данных цифр языка жестов. Турция, Анкара, Айранджи, Анадолу. Набор данных о языке жестов средней школы.
  
• Качество красного вина. Простой и понятный практический набор данных для регрессионного или классификационного моделирования.
  
• Таблицы английской футбольной премьер-лиги (1968–2019 годы).
  
• HotspotQA Dataset. Датасет с вопросами-ответами, позволяющий создавать системы для ответов на вопросы более понятным способом.
  
• xView. Один из самых больших общедоступных наборов воздушных снимков земли. Он содержит изображения различных сцен со всего мира, аннотированных с помощью ограничительных рамок.
  
• Labelme. Большой датасет аннотированных изображений.
  
• ImageNet. Датасет изображений для новых алгоритмов, организованный в соответствии с иерархией WordNet, в которой сотни и тысячи изображений представляют каждый узел иерархии.
  
• LSUN. Датасет изображений, разбитых по сценам и категориям с частичной разметкой данных.
  
• MS COCO. Крупномасштабный датасет для обнаружения и сегментации объектов.
  
• COIL100. 100 разных объектов, изображённых под каждым углом в круговом обороте.
  
• Visual Genome. Датасет, где примерно 100 тысяч подробно аннотированных изображений.
  
• Google’s Open Images. Коллекция из 9 млн URL-адресов к изображениям, «которые были помечены метками, охватывающими более 6000 категорий» под лицензией Creative Commons.
  
• Labelled Faces in the Wild. Набор из 13 тысяч размеченных изображений лиц людей для использования приложений, которые предполагают использование технологии распознавания лиц.
  
• Stanford Dogs Dataset. Содержит 20 580 изображений из 120 пород собак.
  
• Indoor Scene Recognition. Датасет для распознавания интерьера зданий. Содержит 15 620 изображений и 67 категорий.
  
• Oxford’s Robotic Car. Более 100 повторений одного маршрута по Оксфорду, заснятого в течение года. В датасет попали разные комбинации погодных условий, трафика и пешеходов, а также более длительные изменения вроде дорожных работ.
  
• Cityscape Dataset. Большой датасет, содержащий записи 100 уличных сцен в 50 городах.
  
• KUL Belgium Traffic Sign Dataset. Более 10 тысяч аннотаций тысяч разных светофоров в Бельгии.
  
• LISA Laboratory for Intelligent & Safe Automobiles. Датасет с дорожными знаками, светофорами, распознанными средствами передвижения и траекториями движения.
  
• Bosch Small Traffic Light Dataset. Датасет, где 24 тысячи аннотированных светофоров.
  
• WPI datasets. Датасет для распознавания светофоров, пешеходов и дорожной разметки.
  
• Berkeley DeepDrive. Огромный датасет для автопилотов. Он содержит более 100 тысяч видео с более чем 1100 часами записей вождения в разное время дня и в различных погодных условиях.
  
• MIMIC-III. Датасет с обезличенными данными о состоянии здоровья примерно 40 тысяч пациентов, находящихся на интенсивной терапии (демографическими данными, показатели жизнедеятельности, лабораторными анализами и лекарствами).
  
• Amazon Reviews. Содержит около 35 млн отзывов с Amazon за 18 лет. Данные включают информацию о продукте и пользователе, оценки и сам текст отзыва.
  

• Конечно, Kaggle — место встречи всех любителей соревнований по машинному обучению.
• Google Dataset Search — поиск датасетов по всему интернету. Также при необходимости можно добавить свои наборы данных.
  
• Machine Learning Repository — набор баз данных, теорий предметной области и генераторов данных, которые используются сообществом машинного обучения для эмпирического анализа алгоритмов машинного обучения.
  
• VisualData — поиск датасетов для машинного зрения, есть удобная классификация по категориям.
  
• DATA USA — полный набор по общедоступным данным США c визуализацией, описанием и инфографикой.

На этом наша короткая подборка подошла к концу. Если у кого-то есть, чем дополнить или поделиться — пишите в комментариях.

Всем знаний!

Подпишись на канал «Нейрон» в Telegram (@neurondata) ― там свежие статьи и новости из мира науки о данных появляются каждую неделю. Спасибо всем, кто помогает с полезными ссылками, особенно Игорю Мариарти, Андрею Бондаренко и Матвею Кочергину.

#датасет