欢迎关注Hadoop、Spark、Flink、Hive、Hbase、Flume等大数据资料分享微信公共账号:iteblog_hadoop
  1. 文章总数:961
  2. 浏览总数:11,499,692
  3. 评论:3873
  4. 分类目录:103 个
  5. 注册用户数:5847
  6. 最后更新:2018年10月17日
过往记忆博客公众号iteblog_hadoop
欢迎关注微信公众号:
iteblog_hadoop
大数据技术博客公众号bigdata_ai
大数据猿:
bigdata_ai

机器学习基准训练数据集收集列表

商业敏感数据虽然难以获取,但好在仍有相当多有用数据可公开访问。它们中的不少常用来作为特定机器学习问题的基准测试数据。常见的有以下几个:

UCL机器学习知识库

包括近300个不同大小和类型的数据集,可用于分类、回归、聚类和推荐系统任务。数据集列表位于:http://archive.ics.uci.edu/ml/

Amazon AWS公开数据集

包含的通常是大型数据集,可通过Amazon S3访问。这些数据集包括人类基因组项目、Common Crawl网页语料库、维基百科数据和Google BooksNgrams。相关信息可参见:http://aws.amazon.com/publicdatasets/。

Kaggle

这里集合了Kaggle举行的各种机器学习竞赛所用的数据集。它们覆盖分类、回归、排名、推荐系统以及图像分析领域,可从Competitions区域下载,不过其中的许多数据集是收费的:http://www.kaggle.com/competitions

KDnuggets

这里包含一个详细的公开数据集列表,其中一些上面提到过的。该列表位于:http://www.kdnuggets.com/datasets/index.html

美国联邦政府数据集

这里提供了许多关于气候变化、教育以及海洋方面的数据:http://www.data.gov

来自infochimps公司的数据集

来自infochimps公司的数据集,已经开放了超过14000多个数据集,不过遗憾的是很多数据集是要购买的:http://www.infochimps.com/

百万歌曲数据库

百万歌曲数据库,来自哥伦比亚大学,默认的百万曲库达到了280GB。就连这个数据库的样本版(10,000首歌)都达到了1.8 GB(已经压缩过):http://labrosa.ee.columbia.edu/millionsong/

蛋白质信息资源数据集

提供了基因序列,蛋白质和生物研究的数据集,很多关于DNA的机器学习的论文都用了这个网站的数据源:http://pir.georgetown.edu

手写数字图像数据集

训练数据集包含了60,000条手写数字图像,测试数据10,000条。在很多人的论文中都采用了这个数据集,并且用了各种算法比如KNN,SVM,NN等。是图像识别中比较好的数据集:http://yann.lecun.com/exdb/mnist/

人脸识别数据库

来自麻省大学:http://vis-www.cs.umass.edu/fddb/

一些贝叶斯网

http://bndg.cs.aau.dk/html/

kdd99数据集

http://kdd.ics.uci.edu/databases/kddcup99/kddcup99.html

数据集索引

http://dmr.cs.umn.edu/datasets.html

华盛顿大学

http://www.cs.washington.edu/dm/vfml/

搜狗数据资源

包括了评测集合、语料数据、新闻数据、图片数据以及自然语言处理相关数据:http://www.sogou.com/labs/resources.htm

本博客文章除特别声明,全部都是原创!
转载本文请加上:转载自过往记忆(https://www.iteblog.com/)
本文链接: 【机器学习基准训练数据集收集列表】(https://www.iteblog.com/archives/1610.html)
喜欢 (9)
分享 (0)
发表我的评论
取消评论

表情
本博客评论系统带有自动识别垃圾评论功能,请写一些有意义的评论,谢谢!