要找到一定特定的數(shù)據(jù)集可以解決各種機器學(xué)習(xí)問題，是一件很難的事情。越來越多企業(yè)或研究機構(gòu)將自己的數(shù)據(jù)集公開，已經(jīng)成為全球的趨勢，這也將有助于大家進行更多研究。

近期，亞馬遜高級技術(shù)顧問 Will Badr 分享了 8 種適用于不同機器學(xué)習(xí)問題的常用數(shù)據(jù)集，并給出相應(yīng)的描述，用法示例以及在某些情況下用于解決與該數(shù)據(jù)集相關(guān)的機器學(xué)習(xí)問題的代碼。

1、Kaggle 數(shù)據(jù)集

鏈接：

https://www.kaggle.com/datasets

這是當前數(shù)據(jù)科學(xué)領(lǐng)域最熱門，也是最受歡迎的數(shù)據(jù)集之一。在 Kaggle 中，每個數(shù)據(jù)集都是對應(yīng)一項比賽，參賽者可以在這個小社區(qū)里討論數(shù)據(jù)，查找一些公共代碼或在 kernel 中創(chuàng)建自己的項目。Kaggle 中包含大量不同類型，不同大小以及多種不同格式的真實數(shù)據(jù)集。此外，參賽者還可以看到與每個數(shù)據(jù)集關(guān)聯(lián)的 kernel，其中許多數(shù)據(jù)科學(xué)家會上傳自己的 notebooks 來分析數(shù)據(jù)集，還能找到解決特定數(shù)據(jù)集問題的算法實現(xiàn)。

2、Amazon 數(shù)據(jù)集

鏈接：

https://registry.opendata.aws/

Amazon 數(shù)據(jù)庫包含不同領(lǐng)域的多種數(shù)據(jù)集，如公共交通，生態(tài)資源，衛(wèi)星圖像等。在數(shù)據(jù)集官網(wǎng)還有一個搜索框，可以幫助使用者快速找到所需的數(shù)據(jù)集。每個數(shù)據(jù)集包含相應(yīng)的數(shù)據(jù)集描述和使用示例，數(shù)據(jù)量非常豐富且易于使用。

此外，依托于 Amazon Web Services (AWS) 平臺，如 Amazon S3，這些儲存在云端的數(shù)據(jù)集都有高度的可擴展性服務(wù)，這對于那些使用 AWS 進行機器學(xué)習(xí)開發(fā)和實驗的用戶來說，將非常方便。因為在云端，數(shù)據(jù)集的傳輸將非常快。

3、UCI 機器學(xué)習(xí)數(shù)據(jù)集

鏈接：

https://archive.ics.uci.edu/ml/datasets.html

這是由加州大學(xué)歐文分校（UCI）信息與計算機科學(xué)學(xué)院的研究者創(chuàng)建的一個包含 100 多種不同類型數(shù)據(jù)集的大型數(shù)據(jù)庫。該數(shù)據(jù)庫根據(jù)不同的機器學(xué)習(xí)問題來對數(shù)據(jù)集進行分類，在這里，用戶可以找到單變量、多變量時間序列數(shù)據(jù)集，分類、回歸、推薦系統(tǒng)數(shù)據(jù)集等。此外，該數(shù)據(jù)庫中的部分數(shù)據(jù)集已經(jīng)經(jīng)過數(shù)據(jù)清洗過程，是可以直接為用戶使用。

4、Google 數(shù)據(jù)集所搜引擎

鏈接：

https://toolbox.google.com/datasetsearch

2018 年 9 月，Google 推出了這項服務(wù)，它是一個可以按名稱搜索相應(yīng)數(shù)據(jù)集的工具箱，其目標是集成數(shù)萬個不同的數(shù)據(jù)集，并對用戶開放使用。

5、Miscrosoft 數(shù)據(jù)集

鏈接：

https://msropendata.com/

2018 年 7 月，Miscrosoft 聯(lián)合其外部的研究社區(qū)聲明發(fā)布 Miscrosoft Research Open Data 服務(wù)。這項存儲在云端的數(shù)據(jù)庫，包含了一系列在已發(fā)表研究中使用過的數(shù)據(jù)集，致力于促進全球研究社區(qū)的研究合作。

6、Awesome 公開數(shù)據(jù)集

鏈接：

https://github.com/awesomedata/awesome-public-datasets

Awesome 是一個按不同主題分類的數(shù)據(jù)庫，其中涵蓋了如生物學(xué)，經(jīng)濟學(xué)，教育等不同領(lǐng)域的重要數(shù)據(jù)集，其中列出的大多數(shù)數(shù)據(jù)集都可供用戶免費試用，但在使用任何數(shù)據(jù)集之前，用戶需要通過認證已獲得使用許可。

7、government 數(shù)據(jù)集

在這里你可以找到那些與政府相關(guān)的數(shù)據(jù)集。為顯示政府工作的透明度，許多國家機構(gòu)公開發(fā)布了其國家在一些領(lǐng)域的數(shù)據(jù)集，如下示例：

EU Open Data：歐洲政府數(shù)據(jù)集

鏈接：

https://data.europa.eu/euodp/data/dataset

US Gov Data：美國政府數(shù)據(jù)(非政治問題上的數(shù)據(jù)集，但自特朗普政府上調(diào)以來，該網(wǎng)站數(shù)據(jù)集暫時無法使用)

鏈接：

https://www.data.gov/

New Zealand’s Government Dataset：新西蘭政府數(shù)據(jù)集

鏈接：

https://catalogue.data.govt.nz/dataset

Indian Government Dataset：印度政府數(shù)據(jù)集

鏈接：

https://data.gov.in/

8、Computer Vision 領(lǐng)域數(shù)據(jù)集

鏈接：

https://www.visualdata.io/

如果是從事圖像處理、計算機視覺或深度學(xué)習(xí)領(lǐng)域的工作，那么該數(shù)據(jù)集會是最好的實驗資源。Visual Data 包含一些可用于構(gòu)建計算機視覺（CV）模型的優(yōu)秀數(shù)據(jù)集。使用者可以通過某個特定的 CV 任務(wù)來查找相應(yīng)的數(shù)據(jù)集，如語義分割（semantic segmentation）、圖像生成標題（image captioning）、圖像生成（image generation），甚至是無人駕駛解決方案所需的數(shù)據(jù)集。

原文鏈接：

https://towardsdatascience.com/top-sources-for-machine-learning-datasets-bb6d0dc3378b