这是一份非常全面的开源数据集，你，真的不想要吗？

近期，skymind.ai 发布了一份非常全面的开源数据集。内容包括生物识别、自然图像以及深度学习图像等数据集，现机器之心将其整理如下：（内附链接哦~） 最近新增数据集 开源生物识别数据：https://ift.tt/18XOnNW Google Audioset：扩展了 632 个音频分类样本，并从 YouTube 视频中提取了 2，084，320 个人类标记的 10 秒声音片段。 地址：https://ift.tt/2n2olpv Uber 2B trip data：首次展示 2 百万公里的出行数据。 地址：https://ift.tt/2iScNWc Yelp Open Dataset：Yelp 数据集是用于 NLP 的 Yelp 业务、评论和用户数据的子集。 地址：https://ift.tt/2fR7Gp4 Core50：用于连续目标识别的新数据集和基准。 地址：https://ift.tt/2h4Mg8U Kaggle 数据集：https://ift.tt/1JipfYw Data Portal：http://dataportals.org/ Open Data Monitor：https://ift.tt/2NRkb13 Quandl Data Portal：https://www.quandl.com/ Mut1ny 头部/面部分割数据集：https://ift.tt/2NLqKBZ Github 上的优秀公共数据集：https://ift.tt/2MZBigB 头部 CT 扫描数据集：491 次扫描的 CQ500 数据集。 地址：https://ift.tt/2I4oMuE 自然图像数据集 MNIST：手写数字图像。最常用的可用性检查。格式 25x25、居中、黑白手写数字。这是一项简单的任务——仅某部分适用于 MNIST，不意味着它有效。 地址：https://ift.tt/173DFsj CIFAR10 / CIFAR100：32x32 彩色图像，10/100 类。虽然仍有趣却不再常用的可用性检查。 地址：https://ift.tt/1BGNwyi Caltech 101：101 类物体的图片。 地址：https://ift.tt/K6xaut Caltech 256：256 类物体的图片。 地址：https://ift.tt/1PawwdP STL-10 数据集：用于开发无监督特征学习、深度学习、自学习算法的图像识别数据集。像修改过的 CIFAR-10。 地址：https://ift.tt/1vkC2wQ The Street View House Numbers (SVHN)：Google 街景中的门牌号码。可以把它想象成复现的户外 MNIST。 地址：https://ift.tt/1cVqABx NORB：玩具摆件在各种照明和姿势下的双目图像。 地址：https://ift.tt/2wJhSGs Pascal VOC：通用图像分割/分类——对于构建真实世界图像注释不是非常有用，但对基线很有用。 地址：https://ift.tt/12y5tnt Labelme：带注释图像的大型数据集。 地址：https://ift.tt/2JMXCbK ImageNet：新算法的客观图像数据集（de-facto image dataset）。许多图像 API 公司都有来自其 REST 接口的标签，这些标签近 1000 类;WordNet; ImageNet 的层次结构。 地址：http://image-net.org/ LSUN：具有很多辅助任务的场景理解（房间布局估计，显著性预测（saliency prediction）等），有关联竞赛。（associated competition）。 地址：https://ift.tt/290zijA MS COCO：通用图像理解/说明，有关联竞赛。 地址：http://mscoco.org/ COIL 20：不同物体在 360 度旋转中以每个角度成像。 地址：https://ift.tt/2oElnJQ COIL100：不同物体在 360 度旋转中以每个角度成像。 地址：https://ift.tt/1OjlPBe Google 开源图像：有 900 万张图像的网址集合，这些图像通过知识共享（Creative Commons）被标注成 6000 多个类别。 地址：https://ift.tt/2dd4C3k 地理空间数据 OpenStreetMap：免费提供整个星球的矢量数据。它包含（旧版）美国人口普查局的数据。 地址：https://ift.tt/UxAsZy Landsat8：整个地球表面的卫星视角图，每隔几周更新一次。 地址：https://ift.tt/2kxe9qe NEXRAD：美国大气层的多普勒雷达扫描图。 地址： https://ift.tt/1fGIPQf ————————我是深度学习图像的分割线———————— 人工数据集 Arcade Universe：一个人工数据集生成器，图像包含街机游戏 sprite，如 tetris pentomino / tetromino。该生成器基于 O. Breleux 的 bugland 数据集生成器。 地址：https://ift.tt/2wKata5 以 Baby AI School 为灵感的数据集集合。 地址：https://ift.tt/2PHsbSP Baby AI Shapes Dataset：区分 3 种简单形状。 地址：https://ift.tt/2wKNsnw Baby AI Image And Question Dataset：一个问题-图像-答案数据集。 地址：https://ift.tt/2PFhWyl Deep Vs Shallow Comparison ICML2007：为实证评估深层架构而生成的数据集。 地址：https://ift.tt/2yVHcfL MnistVariations：在 MNIST 中引入受控变化。 地址：https://ift.tt/2PHscWT RectanglesData：区分宽矩形和垂直矩形。 地址：https://ift.tt/2wHy4bA ConvexNonConvex：区分凸形和非凸形状。 地址：https://ift.tt/2NLqItR BackgroundCorrelation：嘈杂 MNIST 背景下相关度的控制 地址：https://ift.tt/2oEGbRA 人脸数据集 Labelled Faces in the Wild：13000 个经过裁剪的人脸区域（使用已经用名称标识符标记过的 Viola-Jones）。数据集中每个人员的子集里包含两个图像——人们常用此数据集训练面部匹配系统。 地址：https://ift.tt/ZnhjNF  UMD Faces：有 8501 个主题的 367，920 个面孔的带注释数据集。 地址：http://www.umdfaces.io/ CASIA WebFace：超过 10，575 个人经面部检测的 453，453 张图像的面部数据集。需要一些质量过滤。 地址：https://ift.tt/1PEkTYl MS-Celeb-1M：100 万张全世界的名人图片。需要一些过滤才能在深层网络上获得最佳结果。 地址：https://ift.tt/2aiV822 Olivetti：一些人类的不同图像。 地址：https://ift.tt/1ptV1CW Multi-Pie：The CMU Multi-PIE Face 数据库。 地址：https://ift.tt/2ML4Dzc Face-in-Action：https://ift.tt/2PACRlS JACFEE：日本和白种人面部情绪表达的图像。 地址：https://ift.tt/2oEGdZI FERET：面部识别技术数据库。 地址：https://ift.tt/XgUHHZ mmifacedb：MMI 面部表情数据库。 地址：https://ift.tt/2PCNZP7 IndianFaceDatabase：https://ift.tt/2NfgkgX 耶鲁人脸数据库：https://ift.tt/29FARV9 耶鲁人脸数据库 B：https://ift.tt/1eOFo87  Mut1ny 头部/面部分割数据集：像素超过 16K 的面部/头部分割图像 地址：https://ift.tt/2NLqKBZ ————————我是深度学习视频的分割线———————— 视频数据集 Youtube-8M：用于视频理解研究的大型多样化标记视频数据集。 地址：https://ift.tt/2dDn7Qf 文本数据集 20 newsgroups：分类任务，将出现的单词映射到新闻组 ID。用于文本分类的经典数据集之一，通常可用作纯分类的基准或任何 IR /索引算法的验证。 地址：https://ift.tt/OY4Mwh 路透社新闻数据集：（较旧）纯粹基于分类的数据集，包含来自新闻专线的文本。常用于教程。 地址：https://ift.tt/1yHkDE1 宾州树库：用于下一个单词或字符预测。 地址：https://ift.tt/11oxpb0 UCI's Spambase：来自著名的 UCI 机器学习库的（旧版）经典垃圾邮件数据集。根据数据集的组织细节，可以将它作为学习私人垃圾邮件过滤的基线。 地址：https://ift.tt/1jxRq1J Broadcast News：大型文本数据集，通常用于下一个单词预测。 地址：https://ift.tt/2PzzmMD 文本分类数据集：来自 Zhang et al., 2015。用于文本分类的八个数据集合集。这些是用于新文本分类基线的基准。样本大小从 120K 至 3.6M 不等，范围从二进制到 14 个分类问题。数据集来自 DBPedia、亚马逊、Yelp、Yahoo！和 AG。 地址：https://ift.tt/2eDg4DU WikiText：来自维基百科高质量文章的大型语言建模语料库，由 Salesforce MetaMind 策划。 地址：https://ift.tt/2duKDQd SQuAD：斯坦福问答数据集——应用广泛的问答和阅读理解数据集，其中每个问题的答案都以文本形式呈现。 地址：https://ift.tt/2cwaHbg Billion Words 数据集：一种大型通用语言建模数据集。通常用于训练分布式单词表征，如 word2vec。 地址：https://ift.tt/R07eUF Common Crawl：网络的字节级抓取——最常用于学习单词嵌入。可从 Amazon S3 上免费获取。也可以用作网络数据集，因为它可在万维网进行抓取。 地址：https://ift.tt/1u6gCl9 Google Books Ngrams：来自 Google book 的连续字符。当单词首次被广泛使用时，提供一种简单的方法来探索。 地址：https://ift.tt/1Jgybxr Yelp 开源数据集：Yelp 数据集是用于 NLP 的 Yelp 业务、评论和用户数据的子集。 地址：https://ift.tt/2fR7Gp4 ————————我是深度学习文本的分割线———————— 问答数据集 Maluuba News QA 数据集：CNN 新闻文章中的 12 万个问答对。 地址：https://ift.tt/2li9b1K Quora 问答对：Quora 发布的第一个数据集，包含重复/语义相似性标签。 地址：https://ift.tt/2k0ITjN CMU Q / A 数据集：手动生成的仿真问/答对，维基百科文章对其难度评分很高。 地址：https://ift.tt/2kVuDZc Maluuba 面向目标的对话：程序性对话数据集，对话旨在完成任务或做出决定。常用于聊天机器人。 地址：https://ift.tt/2hh8K4S bAbi：来自 Facebook AI Research（FAIR）的综合阅读理解和问答数据集。 地址：https://ift.tt/2i3ti18 The Children's Book Test：Project Gutenberg 提供的儿童图书中提取的（问题+背景、答案）对的基线。用于问答（阅读理解）和仿真查找。 地址：https://ift.tt/1ov8jVo 情感数据集 多领域情绪分析数据集：较旧的学术数据集。 地址：https://ift.tt/1HGfTyC IMDB：用于二元情感分类的较旧、较小数据集。对文献中的基准测试无法支持更大的数据集。 地址：https://ift.tt/1uRqm9K Stanford Sentiment Treebank：标准情感数据集，在每个句子解析树的每个节点都有细粒度的情感注释。 地址：https://ift.tt/1huRVIJ 推荐和排名系统 Movielens：来自 Movielens 网站的电影评分数据集，各类大小都有。 地址：https://ift.tt/1FTmDLd Million Song 数据集：Kaggle 上元数据丰富的大型开源数据集，可以帮助人们使用混合推荐系统。 地址：https://ift.tt/Jujhzs Last.fm：音乐推荐数据集，可访问深层社交网络和其它可用于混合系统的元数据。 地址：https://ift.tt/20QI2yo Book-Crossing 数据集：来自 Book-Crossing 社区。包含 278,858 位用户提供的约 271,379 本书的 1,149,780 个评分。 地址：https://ift.tt/PW02WR Jester：来自 73,421 名用户对 100 个笑话的 410 万个连续评分（分数从-10 至 10）。 地址：https://ift.tt/2ffZQVO Netflix Prize：Netflix 发布了他们的电影评级数据集的匿名版；包含 480,000 名用户对 17,770 部电影的 1 亿个评分。首个主要的 Kaggle 风格数据挑战。随着隐私问题的出现，只能提供非正式版。 地址：https://ift.tt/qy5YBJ ————————我是深度学习图表的分割线———————— 网络和图形 Amazon Co-Purchasing：亚马逊评论从「购买此产品的用户也购买了……」这一部分抓取数据，以及亚马逊相关产品的评论数据。适合在网络中试行推荐系统。 地址：https://ift.tt/2lUmTUO Friendster 社交网络数据集：在变成游戏网站之前，Friendster 以朋友列表的形式为 103,750,348 名用户发布了匿名数据。 地址：https://ift.tt/1mfW85O 语音数据集 2000 HUB5 English：最近在 Deep Speech 论文中使用的英语语音数据，从百度获取。 地址：https://ift.tt/2lUx9g3 LibriSpeech：包含文本和语音的有声读物数据集。由多个朗读者阅读的近 500 小时的各种有声读物演讲内容组成，包含带有文本和语音的章节。 地址：https://ift.tt/1TItT54 VoxForge：带口音的清晰英语语音数据集。适用于提升不同口音或语调鲁棒性的案例。 地址：https://ift.tt/1nx7DpJ TIMIT：英语语音识别数据集。 地址：https://ift.tt/1uystJb CHIME：嘈杂的语音识别挑战数据集。数据集包含真实、仿真和干净的录音。真实录音由 4 个扬声器在 4 个嘈杂位置的近 9000 个录音构成，仿真录音由多个语音环境和清晰的无噪声录音结合而成。 地址：https://ift.tt/2lUkrO4 TED-LIUM：TED 演讲的音频转录。1495 个 TED 演讲录音以及这些录音的文字转录。 地址：https://ift.tt/2kVCiqx ————————我是深度学习音频的分割线———————— 音符音乐数据集 Piano-midi.de: 古典钢琴曲 地址：https://ift.tt/1OvqvVx Nottingham : 超过 1000 首民谣 地址：https://ift.tt/1MgQhgW MuseData: 古典音乐评分的电子图书馆 地址：https://ift.tt/2wLt8T3 JSB Chorales: 四部协奏曲 地址：https://ift.tt/2Nfgm8z 其它数据集 CMU 动作抓取数据集：https://ift.tt/PGdNcn Brodatz dataset：纹理建模。 地址：https://ift.tt/2NiiLzn 来自欧洲核子研究中心的大型强子对撞机（LHC）的 300TB 高质量数据。 地址：https://ift.tt/1TmWpHe 纽约出租车数据集：由 FOIA 请求而获得的纽约出租车数据，导致隐私问题。 地址：https://ift.tt/1HnIM1i Uber FOIL 数据集：来自 Uber FOIL 请求的纽约 4.5M 拾取数据。 地址：https://ift.tt/1hlMuU6 Criteo 点击量数据集：来自欧盟重新定位的大型互联网广告数据集。 地址：https://ift.tt/2oEGiwu 健康 &生物数据 欧盟传染病监测图集：https://ift.tt/2NRkkBD 默克分子活动挑战：https://ift.tt/2NgISH6 Musk dataset: Musk dataset 描述了以不同构造出现的分子。每个分子都是 musk 或 non-musk，且其中一个构造决定了这一特性。 地址：https://ift.tt/2NUksjq 政府&统计数据 Data USA: 最全面的可视化美国公共数据。 地址：http://datausa.io/ 欧盟性别统计数据库：https://ift.tt/2NRkwkl 荷兰国家地质研究数据 ：https://ift.tt/2NeTsye 联合国开发计划署项目：https://ift.tt/1R6BWJg ]]> 原文： https://ift.tt/2wIKTSQ 机器知心 Unsubscribe from these notifications or sign in to manage your Email Applets.