8种寻找机器学习数据集的方法

在训练机器学习模型时，找到合适的数据集一直是个棘手的问题。

近日，亚马逊AWS高级技术顾问Will Badr介绍了8种寻找机器学习数据集的方法。

通过这些方法，不仅能够找到大量的实验数据集及相关的描述和使用示例。在某些情况下，还会有用于训练数据集的算法代码。

以下，就是他介绍的8种方法：

Kaggle的数据集中，包含了用于各种任务，不同规模的真实数据集，而且有许多不同的格式。此外，你还可以在这里找到与每个数据集相关联的交互式笔记本Kernels，这些笔记本能够在浏览器中运行。

在这里，每个数据集都是一个小的交流社区，可以讨论数据，寻找一些公开的代码，或者在Kernels中创建自己的项目。

有许多数据科学家从不同的角度对数据集进行了分析。有时候，你还可以找到解决特定问题的算法代码。

传送门：https://www.kaggle.com/datasets

这里有许多不同领域的数据集，比如公共交通、生态资源、卫星图像等等。

同时也提供了一个搜索框，来帮助你寻找数据集。伴随着数据集，也有相关的描述与用法示例。

数据集存储在AWS中，如果你正在使用AWS训练机器学习模型，会非常方便，数据集的传输速度非常快。

传送门：https://registry.opendata.aws/

这个数据库里面有100个数据集。来自加州大学信息与计算机科学学院。

数据集已经按照机器学习问题进行了分类，你可以在这里找到单变量和多变量时间序列数据集；分类、回归或推荐系统的数据集。

而且，其中的一些数据集已经清理完毕，拿走就能使用。

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

2018年9月份，谷歌推出了这项服务，可以按名称搜索数据集。目标是收集起来成千上万不同的数据集存储库。

相关报道：

Google数据集搜索神器上线，和搜索论文一样简单

传送门：https://toolbox.google.com/datasetsearch

2018年7月，微软推出“微软研究开放数据”。涵盖计算机科学、社会科学、物理学、天文学、生物学、经济学等等多个学科领域

数据集存储在云中，用于推动全球研究团体之间的协作。收集了一系列已发表的研究中使用的精确数据集。

传送门：https://msropendata.com/

按照不同的主题对近600个数据集进行了分类，一共涉及29个主题，比如生物学、经济学、教育学等等。大多数数据集都是免费的，不过在使用前，还是检查一下许可要求比较好。

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

与政府相关的数据集寻找起来也比较容易，许多国家都会公开各种数据，以推进政务的透明化处理。比如：

欧盟开放数据集：欧洲政府的数据集

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

美国政府数据集：（暂时无法使用）

https://www.data.gov/

中国国家统计局：http://www.stats.gov.cn/

里面有各种用于计算机视觉研究数据集，可以通过特定的主题去查找数据集，比如语义分割、图像字幕、图像生成等等。也可以通过应用场景来查找数据集，比如自动驾驶汽车数据集。

传送门：https://www.visualdata.io/

One More Thing：其他数据集资源

量子位也报道过不少数据集资源，附于这里，希望能够为你带来帮助。（点击文字即可传送）

自然语言处理 计算机视觉 其他 最后的最后

遇到有缺陷的数据集该怎么办？这有一份数据处理急救包

作者系网易新闻·网易号“各有态度”签约作者