人工智能流程大概如下:问题模式化——>收集或处理数据——>训练模型——>开始预测——>性能检测——>处理数据——>训练模型.......其中获取数据是一个难题。主要有两个办法,第一是找到数据集,第二是生成数据。
一、收集数据
首先是需要判断自己需要什么样的数据,然后收集数据。
收集数据有两个途径:1、寻找现有的数据集,2、根据实际情况亲身收集数据,3、爬取数据。
(一)寻找现有的数据集
数据集大致从论文、各个竞赛或者谷歌等网站上收集,例如:
1、Paperwithcodes 论文相关数据集 The latest in Machine Learning | Papers With Code提供了学术论文和相关的数据,并且给出了这个论文在数据集上面的运行表现
2、 Kaggle Kaggle: Your Machine Learning and Data Science Community除了竞赛数据集以外,很多用户也上传数据集, 这些用户上传的数据集质量鱼龙混杂.
3、google 数据集搜索. https://datasetsearch.research.google.com/
4、维基百科中关于数据集的列表 https://en.wikipedia.org/wiki/List_of_datasets_for_machine-learning_research 其中收录了一系列的数据集
5、MNIST: 手写数字数据集 MNIST handwritten digit database, Yann LeCun, Corinna Cortes and Chris Burges
6、 imageNet : 大规模图片数据集 ImageNet
7、AudioSet: 油管的声音片段数据 https://research.google.com/audioset/
8、Kinetic : 油管人类动作视频片段 Google DeepMind
9、KITTI : 无人驾驶数据集 The KITTI Vision Benchmark Suite
10、Amazon Review: 亚马逊用户评价数据 https://s3.amazonaws.com/amazon-reviews-pds/readme.html
11、SQuAD: 维基百科问答 The Stanford Question Answering Dataset
12、LibriSpeech : 有声书数据集 https://www.tensorflow.org/datasets/catalog/librispeech
(二)爬取数据
爬取数据就不细写,网上有很多方法。
二、数据生成
主要有两个办法:GAN生成数据和数据增强。
数据增强大致就是将一份数据生成一系列相似的数据,比如说以一张图片为蓝本, 生成一系列相似,但又有差别的图片。