机器学习数据集哪里找：优秀数据集来源盘点

云栖君导读：很难找到一个特定的数据集来解决对应的机器学习问题，这是非常痛苦的。下面的网址列表不仅包含用于实验的大型数据集，还包含描述、使用示例等，在某些情况下还包含用于解决与该数据集相关的机器学习问题的算法代码。

1 -Kaggle数据集

网址：

https://www.kaggle.com/datasets 

这是我最喜欢的数据集网站之一。每个数据集都有对应的一个小型社区，你可以在其中讨论数据、查找公共代码或在内核中创建自己的项目。该网站包含大量形状、大小、格式各异的真实数据集。你还可以看到与每个数据集相关的“内核”，其中许多不同的数据科学家提供了笔记来分析数据集。有时在某些特定的数据集中，你可以从笔记中找到相应的算法，解决预测问题。

2 -亚马逊数据集

网址：

https://registry.opendata.aws 

该数据源包含多个不同领域的数据集，如：公共交通、生态资源、卫星图像等。它也有一个搜索框来帮助你找到你正在寻找的数据集，另外它还有数据集描述和使用示例，这是非常简单、实用的！

3- UCI机器学习库：

网址：

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

 

这是加州大学信息与计算机科学学院的一个数据库，包含了100多个数据集。它根据机器学习问题的类型对数据集进行分类。你可以找到单变量、多变量、分类、回归或者是推荐系统的数据集。UCI的某些数据集已经更新完毕并准备使用。

4-谷歌的数据集搜索引擎：

网址：

https://toolbox.google.com/datasetsearch 

 

在2018年末，谷歌做了他们最擅长的事情，推出了另一项伟大的服务。它是一个可以按名称搜索数据集的工具箱。谷歌的目标是统一成千上万个不同的数据集存储库，使这些数据能够被发现。

5 -微软数据集：

网址：

https://msropendata.com 

2018年7月，微软与外部研究社区共同宣布推出“微软研究开放数据”。

它在公共云中包含一个数据存储库，用于促进全球研究社区之间的协作。另外它还提供了一组在已发表的研究中使用的、经过整理的数据集。

6-Awesome公共数据集：

网址：

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

这是一个按照主题分类的，由社区公开维护的一系列数据集清单，比如生物学、经济学、教育学等。这里列出的大多数数据集都是免费的，但是在使用任何数据集之前，你应该检查相应的许可要求。

7 -政府数据集：

政府的相关数据集也很容易找到。许多国家为了提高知名度，向公众分享了各种数据集。例如：

欧盟开放数据门户：欧洲政府数据集。

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

新西兰政府数据集。

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

印度政府数据集。

https://data.gov.in/

8-计算机视觉数据集：

网址：

https://www.visualdata.io 

如果你从事图像处理、计算机视觉或者是深度学习，那么这应该是你的实验获取数据的重要来源之一。

该数据集包含一些可以用来构建计算机视觉(CV)模型的大型数据集。你可以通过特定的CV主题查找特定的数据集，如语义分割、图像标题、图像生成，甚至可以通过解决方案(自动驾驶汽车数据集)查找特定的数据集。

综上所述，从我所观察到的情况来看，越来越多的用于研究机器学习的各种数据集变得更容易获取，维护这些新数据集的社区，也将不断地发展，使计算机科学社区能够继续快速创新，为生活带来更多创造性的解决方案。

本文由阿里云云栖社区组织翻译。
文章原标题《Top Sources For Machine Learning Datasets》，译者：黄小凡，审校：袁虎。

终于等到你！阿里正式向 Apache Flink 贡献 Blink 源码

2019年开发者必读！20位阿里技术大牛们帮你列了一份经典书单！

老代码多=过度耦合=if else？阿里巴巴工程师这样捋直老代码