机器学习数据集

机器学习数据集
分享一个非常详细的数据集，数据集的好坏直接决定着神经网络训练的准确度。前几年纠结于机器学习算法本身提高不了质量，必须注意于质量和数量都极其惊人的数据集，经过前辈们的努力，数据集已不再是问题了，我们又要回到算法本身了。

图片

Labelme：带注释的大型图像数据集。
http://labelme.csail.mit.edu/Release3.0/browserTools/php/dataset.php

ImageNet：大家熟悉的ImageNet，女神李飞飞参与创建，同名比赛影响整个计算机视觉界。
http://image-net.org/

LSUN：场景理解与许多辅助任务（房间布局估计，显着性预测等）
http://lsun.cs.princeton.edu/2016/

MS COCO：同样也是知名计算机视觉数据集，同名比赛每年都被中国人屠榜。
http://mscoco.org/

COIL 100 ：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

视觉基因组：非常详细的视觉知识库。
http://visualgenome.org/

谷歌开放图像：在知识共享下的900万个图像网址集合“已经注释了超过6000个类别的标签”。
https://research.googleblog.com/2016/09/introducing-open-images-dataset.html

野外标记面：13000张人脸标记图像，用于开发涉及面部识别的应用程序。
http://vis-www.cs.umass.edu/lfw/

斯坦福狗子数据集：20580张狗子的图片，包括120个不同品种。
http://vision.stanford.edu/aditya86/ImageNetDogs/

室内场景识别：包含67个室内类别，15620个图像。
http://web.mit.edu/torralba/www/indoor.html

情绪分析

多域情绪分析数据集：一个稍老一点的数据集，用到了来自亚马逊的产品评论。
http://www.cs.jhu.edu/~mdredze/datasets/sentiment/

IMDB评论：用于二元情绪分类的数据集，不过也有点老、有点小，有大约25000个电影评论。
http://ai.stanford.edu/~amaas/data/sentiment/

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

Sentiment140：一个流行的数据集，它使用160,000条预先删除表情符号的推文。
http://help.sentiment140.com/for-students/

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

HotspotQA数据集：具有自然、多跳问题的问答数据集，具有支持事实的强大监督，以实现更易于解释的问答系统。
https://hotpotqa.github.io/

安然数据集：来自安然高级管理层的电子邮件数据。
https://www.cs.cmu.edu/~./enron/

亚马逊评论：包含18年来亚马逊上的大约3500万条评论，数据包括产品和用户信息，评级和文本审核。
https://snap.stanford.edu/data/web-Amazon.html

Google Books Ngrams：Google Books中的一系列文字。
https://aws.amazon.com/datasets/google-books-ngrams/

Blogger Corpus：收集了来自blogger.com的681,288篇博文，每篇博文至少包含200个常用英语单词。
http://u.cs.biu.ac.il/~koppel/BlogCorpus.htm

维基百科链接数据：维基百科的全文，包含来自400多万篇文章的近19亿个单词，可以按段落、短语或段落本身的一部分进行搜索。
https://code.google.com/p/wiki-links/downloads/list

Gutenberg电子书列表：Gutenberg项目中带注释的电子书书单。
http://www.gutenberg.org/wiki/Gutenberg:Offline_Catalogs

Hansards加拿大议会文本：来自第36届加拿大议会记录的130万组文本。
http://www.isi.edu/natural-language/download/hansard/

Jeopardy：来自问答节目Jeopardy的超过200,000个问题的归档。
http://www.reddit.com/r/datasets/comments/1uyd0t/200000_jeopardy_questions_in_a_json_file/

英文垃圾短信收集：由5574条英文垃圾短信组成的数据集。
http://www.dt.fee.unicamp.br/~tiago/smsspamcollection/

Yelp评论：Yelp，就是美国的“大众点评”，这是他们发布的一个开放数据集，包含超过500万条评论。
https://www.yelp.com/dataset

UCI的Spambase：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

自动驾驶

Berkeley DeepDrive BDD100k：目前最大的自动驾驶数据集，包含超过100,000个视频，其中包括一天中不同时段和天气条件下超过1,100小时的驾驶体验。其中带注释的图像来自纽约和旧金山地区。
http://bdd-data.berkeley.edu/

百度Apolloscapes：度娘的大型数据集，定义了26种不同物体，如汽车、自行车、行人、建筑物、路灯等。
http://apolloscape.auto/

Comma.ai：超过7小时的高速公路驾驶，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

牛津的机器人汽车：这个数据集来自牛津的机器人汽车，它于一年时间内在英国牛津的同一条路上，反反复复跑了超过100次，捕捉了天气、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/

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/

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。不过，数据集严重偏向发达国家的道路。
http://aplicaciones.cimat.mx/Personal/jbhayet/ccsad-dataset

KUL比利时交通标志数据集：来自比利时法兰德斯地区数以千计的实体交通标志的超过10000条注释。
http://www.vision.ee.ethz.ch/~timofter/traffic_signs/

MIT AGE Lab：在AgeLab收集的1,000多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/

LISA：UC圣迭戈智能和安全汽车实验室的数据集，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

博世小交通灯数据集：用于深度学习的小型交通灯的数据集。
https://hci.iwr.uni-heidelberg.de/node/6132