首先，在搜索数据集时要记住这几点：
- 数据集不应该是混乱的，因为你不希望花费大量时间来清理数据。
- 数据集不应包含太多行或列，要很容易使用。
- 数据越干净越好，因为清理大型数据集可能非常耗时。
- 这个数据集应该可以回答一个非常有趣的问题。
话不多说，开始吧！
数据集查找器
1、Kaggle：一个包含各种外部贡献数据集的数据科学网站。你可以在其主列表中找到各种合适的数据集，从拉面评级到篮球数据，甚至是西雅图宠物许可证，应有尽有。
https://www.kaggle.com/
2、UCI 机器学习库：网络上最古老的数据集源之一，是寻找有趣的数据集的第一站。虽然这里的数据集是用户贡献的，因此清洁度不一，但绝大多数都是干净的。你可以直接从 UCI 机器学习库下载数据，无需注册。
http://mlr.cs.umass.edu/ml/
一般数据集
政府公开数据集
3、Data.gov：该网站可以从多个美国政府机构下载数据。数据范围从政府预算到学校绩效分数。但请注意：大部分数据有待进一步研究。
https://www.data.gov/
4、食物环境地图集：包含当地食物选择如何影响美国饮食的数据。
https://catalog.data.gov/dataset/food-environment-atlas-f4a22
5、学校系统财务：对美国学校系统财务状况的调查。
https://catalog.data.gov/dataset/annual-survey-of-school-system-finances
6、慢性病数据：美国各地区慢性病指标数据。
https://catalog.data.gov/dataset/u-s-chronic-disease-indicators-cdi-e50c9
7、美国国家教育统计中心：来自美国和世界各地的教育机构和教育人口统计数据。
https://nces.ed.gov/
8、英国数据服务：英国最大的社会、经济和人口数据集。
https://www.ukdataservice.ac.uk/
9、Data USA：美国公共数据的全面可视化。
http://datausa.io/
金融与经济
10、Quandl：经济和金融数据很好的数据源，有助于建立预测经济指标或股票价格模型。
https://www.quandl.com/
11、世界银行开放数据：涵盖全球人口统计数据和大量经济和发展指标的数据集。
https://data.worldbank.org/
12、国际货币基金组织数据：国际货币基金组织公布的有关国际金融、债务利率、外汇储备、商品价格和投资的数据。
https://www.imf.org/en/Data
13、金融时报市场数据：来自世界各地的金融市场最新信息，包括股票价格指数、商品和外汇。
https://markets.ft.com/data/
14、谷歌趋势：检查和分析世界各地的互联网搜索活动和热门新闻报道的数据。
https://trends.google.com/trends/?q=google&ctab=0&geo=all&date=all&sort=0
15、美国经济协会（AEA）：寻找美国宏观经济数据的良好来源。
https://www.aeaweb.org/resources/data/us-macro-regional
机器学习数据集
图像
16、Labelme：带图像标注的大型数据集。
http://labelme.csail.mit.edu/Release3.0/browserTools/php/dataset.php
17、ImageNet：业界最新算法图像数据集。根据 WordNet 层次结构进行组织，其中层次结构的每个节点由数百和数千个图像描述。
http://image-net.org/
18、LSUN：有众多辅助任务的场景理解（房间布局估计、特点预测等）
http://lsun.cs.princeton.edu/2016/
19、MS COCO：通用图像理解和字幕。
http://mscoco.org/
20、COIL100：100 个不同的物体，在 360 度旋转的每个角度成像。
http://www1.cs.columbia.edu/CAVE/software/softlib/coil-100.php
21、视觉基因组：非常详细的视觉知识库，带有~100K 图像的字幕。
http://visualgenome.org/
22、谷歌的开放图像：在知识共享版权下的 900 万个图像网址集合，“超过 6000 个类别标签注释”。
https://ai.googleblog.com/2016/09/introducing-open-images-dataset.html
23、Labelled Faces in the Wild：13,000 张人脸标记图像，用于开发人脸识别应用程序。
http://vis-www.cs.umass.edu/lfw/
24、斯坦福狗数据集：包含 20,580 张图片和 120 种不同的狗品种。
http://vision.stanford.edu/aditya86/ImageNetDogs/
25、室内场景识别：一种非常特殊的数据集，因为大多数场景识别模型都最好建立在“室外”，这个数据集非常实用。包含 67 个室内类别，总共 15620 张图像。
http://web.mit.edu/torralba/www/indoor.html
情绪分析
26、多域情绪分析数据集：一个有点老旧的数据集，其中包含来自亚马逊的产品评论。
http://www.cs.jhu.edu/~mdredze/datasets/sentiment/
27、IMDB 评论：一个较旧的，相对较小的二元情绪分类数据集，包含 25,000 个电影评论。
http://ai.stanford.edu/~amaas/data/sentiment/
28、斯坦福情绪树库：带有情感注释的标准情绪数据集。
http://nlp.stanford.edu/sentiment/code.html
29、Sentiment140：一个流行的数据集，使用 160,000 条预先删除表情符号的推文。
http://help.sentiment140.com/for-students/
30、Twitter 美国航空公司情绪：2015 年 2 月美国航空公司的 Twitter 数据，分类为正面、负面和中性推文。
https://www.kaggle.com/crowdflower/twitter-airline-sentiment
自然语言处理
31、安然数据集：来自安然高级管理层的电子邮件数据，以文件夹形式分类存放。
https://www.cs.cmu.edu/~./enron/
32、亚马逊评论：包含亚马逊 18 年来约 3500 万条评论。数据包括产品和用户信息、评级和明文审核。
https://snap.stanford.edu/data/web-Amazon.html
33、Google Books Ngrams：Google 图书中的一系列文字。
https://aws.amazon.com/datasets/google-books-ngrams/
34、Blogger Corpus：收集了来自 blogger.com 的 681288 篇博文。每个博客至少包含 200 个常用英语单词。
http://u.cs.biu.ac.il/~koppel/BlogCorpus.htm
35、维基百科链接数据：维基百科全文。该数据集包含来自 400 多万篇文章的近 19 亿个单词。你可以按段落、短语或段落本身的一部分进行搜索。
https://code.google.com/archive/p/wiki-links/downloads
36、Gutenberg 电子书列表：Project Gutenberg 的电子书注释列表。
http://www.gutenberg.org/wiki/Gutenberg:Offline_Catalogs
37、加拿大议会议事录：来自第 36 届加拿大议会记录的 130 万对文本。
http://www.isi.edu/natural-language/download/hansard/
38、Jeopardy：来自有奖竞猜节目 Jeopardy 的超过 200,000 个问题归档。
https://www.reddit.com/r/datasets/comments/1uyd0t/200000_jeopardy_questions_in_a_json_file/
39、英语短信垃圾邮件集：由 5574 条英文短信垃圾邮件组成的数据集。
http://www.dt.fee.unicamp.br/~tiago/smsspamcollection/
40、Yelp 评论：Yelp 发布的一个开放数据集，包含超过 500 万条评论。
https://www.yelp.com/dataset
41、UCI 垃圾邮件集：一个大型垃圾邮件数据集，对垃圾邮件过滤非常有用。
https://archive.ics.uci.edu/ml/datasets/Spambase
更详细列表：
https://gengo.ai/datasets/the-best-25-datasets-for-natural-language-processing/
自动驾驶
42、Berkeley DeepDrive BDD100k：目前是自动驾驶 AI 的最大数据集。包含超过 100000 个视频，包括一天中不同时段和天气条件下超过 1100 小时的驾驶体验。带注释的图像来自纽约和旧金山地区。
http://bdd-data.berkeley.edu/
43、百度 Apolloscapes：大型数据集，定义了 26 种不同的语义项目，如汽车、自行车、行人、建筑物、路灯等。
http://apolloscape.auto/
44、Comma.ai：超过 7 小时的高速公路驾驶数据。细节包括汽车的速度、加速度、转向角和 GPS 坐标。
https://archive.org/details/comma-dataset
45、牛津的机器人汽车：在英国牛津的同一条路线重复行驶 100 多次、耗时一年多收集的数据集。该数据集包含天气、交通和行人的不同组合，以及建筑和道路工程等长期变化。
http://robotcar-dataset.robots.ox.ac.uk/
46、城市景观数据集：一个大型数据集，记录 50 个不同城市的城市街景。
https://www.cityscapes-dataset.com/
47、CSSAD 数据集：此数据集对于自动驾驶车辆的感知和导航非常有用。但该数据集严重偏向发达国家的道路情况。
http://aplicaciones.cimat.mx/Personal/jbhayet/ccsad-dataset
48、KUL 比利时交通标志数据集：比利时法兰德斯地区数以千计的物理交通标志，有超过 10000 多个交通标志注释。
http://www.vision.ee.ethz.ch/~timofter/traffic_signs/
49、麻省理工学院实验室：在 AgeLab 收集的 1000 多个小时多传感器驾驶数据集的样本。
http://lexfridman.com/automated-synchronization-of-driving-data-video-audio-telemetry-accelerometer/
50、LISA：智能和安全汽车实验室，加州大学圣地亚哥分校数据集：该数据集包括交通标志、车辆检测、交通信号灯和轨迹模式。
http://cvrr.ucsd.edu/LISA/datasets.html
原文链接：
https://gengo.ai/datasets/the-50-best-free-datasets-for-machine-learning/
上一篇
