机器学习经典开源数据集盘点-技术圈

在机器学习任务实施前，如何快速寻找到可用数据集，是令每一位研究人员最头痛的事情。本文为大家列举了八大主流数据集来源，不仅包含大量的数据集信息，而且包含了描述、用法以及一些实施案例等。

01 Kaggle数据集

Kaggle数据集地址
https://www.kaggle.com/datasets

这是我最喜欢的数据集之一，每个数据集都对应于一个小型社区，你可以在其中讨论数据、查找公共代码，或者在其中创建自己的项目。这里包含了大量不同类型、不同结构的数据集内容。同时，还可以在其中获取到与每个数据集关联的资料，其中包含了许多数据科学家们提供的数据集分析笔记等。

AWS开放数据地址
https://registry.opendata.aws/

这个数据集中包含了不同领域的数据内容，例如：公共交通、生态资源、卫星图像等。同时提供了搜索功能，以帮助用户找到所需的数据集，还有各种数据集的描述信息以及用例，非常易于使用。

数据集存储在Amazon Web Services（AWS）资源中，对于使用AWS构建自己机器学习实验的用户来说，传输速度将非常块。

UCI数据集地址：
https://archive.ics.uci.edu/ml/datasets.html

这个数据集来自于加州大学信息与计算机科学学院，其中包含了100多个数据集。根据机器学习问题的类型对数据集进行分类，可找到单变量或多变量时间序列数据集，以及分类、回归或推荐系统的数据集。

Google数据集搜索引擎
https://toolbox.google.com/datasetsearch

在2018年末，Google推出了数据集搜索服务。这是一个可以按名称搜索数据集的搜索引擎，目标是为数万个不同数据集存储库提供统一搜索入口，非常好用。

在2018年7月，微软与外界研究社区一起，发布了微软研究开发数据。

微软数据集地址：
https://msropendata.com/

它包含了云服务器中的数据存储库，致力于促进全球研究社区的协作，并在其中提供了一系列用于已发表研究的数据集内容。

Awesom Public Datasets
https://github.com/awesomedata/awesome-public-datasets

本数据集列表中，按主题整理了大量的数据集内容，例如：生物学、经济学、教育等。其中列出的大多数数据集都是免费的，但在使用任何数据集之前，均需检查数据集的许可要求。

许多国家均在网络上提供了多种公众可用的政府数据集内容，例如：

欧洲政府数据集
https://data.europa.eu/euodp/data/dataset

美国政府数据集
https://www.data.gov/

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/

北爱尔兰公共数据集
https://www.opendatani.gov.uk/

VisualData数据集
https://www.visualdata.io/

视觉数据包含了一些用于构建计算机视觉模型的优秀数据集，用户可通过某个CV主题查询，例如语义分割、图像标题、图像生成、自动驾驶汽车等内容。

总之，从目前观察到的现象看，似乎存在一个全球性的方向，即向研究与机器学习社区提供越来越多的数据。这些新数据集的社区将继续发展并使数据更加易用，以便众包与计算机科学界能够继续快速创新，并为未来生活带来更多创造性的方案。

原文链接：
https://medium.com/datadriveninvestor/top-8-sources-for-machine-learning-and-analytics-datasets-5d2d94ada8ab
仅供学术分享，侵删