圖像分類

1.MNIST

http://yann.lecun.com/exdb/mnist/

MNIST 數(shù)據(jù)集是機器學習和計算機視覺領域中最著名的數(shù)據(jù)集之一，常用于訓練各種圖像處理系統(tǒng)。

MNIST 數(shù)據(jù)集包含了 70,000 張小型的黑白圖像，每張圖像的大小是 28x28 像素。每個圖像都是手寫數(shù)字（0到9）的一個實例。

它非常適合初學者練習圖像分類技術和卷積神經(jīng)網(wǎng)絡（CNN）等算法。

圖片

2.CIFAR-10

CIFAR-10 數(shù)據(jù)集是另一種在機器學習和計算機視覺研究領域廣泛使用的標準數(shù)據(jù)集。

https://www.cs.toronto.edu/~kriz/cifar.html

它由加拿大高級研究院（Canadian Institute For Advanced Research, CIFAR）發(fā)布，因此得名 CIFAR。CIFAR-10 特別適用于開發(fā)和測試圖像識別算法。

CIFAR-10 包含 60,000 張 32x32 像素的彩色圖像，這些圖像被分為 10 個類別，每個類別各 6,000 張圖像。這些類別包括：飛機、汽車、鳥、貓、鹿、狗、青蛙、馬、船和卡車。

圖片

3.ImageNet

https://www.image-net.org/

ImageNet 數(shù)據(jù)集是一個大規(guī)模的圖像數(shù)據(jù)集，廣泛用于計算機視覺研究和各種圖像處理算法的訓練和測試。

這個數(shù)據(jù)集由斯坦福大學的研究人員啟動和維護，包含超過 1400 萬張圖片和超過 20,000 個類別。

它用于大規(guī)模視覺識別挑戰(zhàn)和訓練深度學習模型。

圖片

4.fashion-mnist

Fashion-MNIST 數(shù)據(jù)集是由 Zalando（一家德國的時尚科技公司）發(fā)布的一個圖像數(shù)據(jù)集，旨在作為機器學習研究中經(jīng)典的 MNIST 手寫數(shù)字數(shù)據(jù)集的直接替代品。

Fashion-MNIST 包含 70,000 張 28x28 像素的灰度圖像，這些圖像分為 10 個類別，每個類別有 7,000 張圖像，這些類別包括：T恤/上衣、褲子、套頭衫、連衣裙、外套、涼鞋、襯衫、運動鞋、包和踝靴。

圖片

5.CelebA

https://mmlab.ie.cuhk.edu.hk/projects/CelebA.html

CelebA 數(shù)據(jù)集是一個大型的人臉屬性數(shù)據(jù)集，廣泛用于計算機視覺研究中，特別是在面部識別、面部屬性識別和面部編輯等領域。

這個數(shù)據(jù)集由香港中文大學的研究者開發(fā)和維護，CelebA 包含超過 200,000 張名人面部的圖像，覆蓋了大約 10,000 名不同的名人，每張圖像都標有 40 種不同的屬性（如發(fā)型、帽子、眼鏡、笑容等），以及 5 個關鍵點位置（眼睛、鼻子、嘴巴）的標記。

圖片

自然語言處理

6.IMDB 評論

https://ai.stanford.edu/~amaas/data/sentiment/)

IMDB 評論數(shù)據(jù)集（Internet Movie Database Review Dataset）是一個廣泛用于自然語言處理（NLP）和情感分析研究的數(shù)據(jù)集。

它包含來自 IMDB 網(wǎng)站的 50,000條電影評論，分為訓練集和測試集各 25,000 條，每個評論都是一個文本片段，并且?guī)в幸粋€標簽，表示該評論是正面的（positive）還是負面的（negative）。

圖片

7.20個新聞組

https://www.kaggle.com/datasets/crawford/20-newsgroups

20 個新聞組數(shù)據(jù)集由 Ken Lang 編制，包含約 18000 個新聞組文檔，分布在 20 個不同的新聞組。

它常用于文本分類和聚類任務。

圖片

8.SQuAD

https://rajpurkar.github.io/SQuAD-explorer/

斯坦福問答數(shù)據(jù)集 (SQuAD) 是一個閱讀理解數(shù)據(jù)集，由眾包工作者針對一系列維基百科文章提出的問題組成，其中每個問題的答案都是來自相應段落的一段文本。斯坦福問答數(shù)據(jù)集包含 100,000 多個用于機器理解的問題。

圖片

9.GLUE

https://gluebenchmark.com/

GLUE (General Language Understanding Evaluation) 是一個用于評估自然語言處理（NLP）模型在廣泛語言理解任務上的性能的基準數(shù)據(jù)集。

GLUE 旨在提供一個綜合性的評估框架，通過多個不同的NLP任務來測試模型的廣泛性和魯棒性。

10.COCO

https://cocodataset.org/#home

COCO 數(shù)據(jù)集是一個用于對象檢測、分割和圖像字幕生成的廣泛使用的基準數(shù)據(jù)集。

它由微軟研究院發(fā)布，旨在提供豐富的標注數(shù)據(jù)，用于訓練和評估計算機視覺模型。

圖片

11.Sentiment140

https://www.kaggle.com/datasets/kazanova/sentiment140

Sentiment140 數(shù)據(jù)集包含來自Twitter的160萬條標注推文。這些推文被標注為正面或負面情感，主要用于訓練和評估情感分類模型。

12.Yelp 開放數(shù)據(jù)集

https://www.yelp.com/dataset

Yelp數(shù)據(jù)集包含了用戶對不同業(yè)務的評論、評分、用戶信息、業(yè)務信息等。它常用于研究和開發(fā)推薦系統(tǒng)、情感分析、文本分類和其他NLP任務。

語音識別

13.LibriSpeech

https://www.openslr.org/12/

LibriSpeech 數(shù)據(jù)集包含約1000小時的英語語音數(shù)據(jù)，主要用于訓練和評估語音識別系統(tǒng)。

該數(shù)據(jù)集中的音頻文件經(jīng)過高質(zhì)量的預處理，并且都帶有準確的文字轉(zhuǎn)錄。

圖片

14.VoxCeleb

https://www.robots.ox.ac.uk/~vgg/data/voxceleb/

VoxCeleb 數(shù)據(jù)集包含大量名人的音頻片段，這些片段從 YouTube 視頻中提取，并經(jīng)過仔細的過濾和標注，以確保數(shù)據(jù)的質(zhì)量和多樣性。

圖片

衛(wèi)生保健

15.Breast Cancer Wisconsin

https://archive.ics.uci.edu/dataset/17/breast+cancer+wisconsin+diagnostic

Breast Cancer Wisconsin 數(shù)據(jù)集是一個廣泛用于機器學習和數(shù)據(jù)挖掘領域的醫(yī)學數(shù)據(jù)集，主要用于訓練和評估分類模型，以區(qū)分良性和惡性乳腺腫瘤。

該數(shù)據(jù)集包含569個樣本，每個樣本有30個特征，這些特征從細胞核的圖像中提取。

圖片

推薦系統(tǒng)

16.MovieLens

https://grouplens.org/datasets/movielens/

MovieLens 數(shù)據(jù)集是一個廣泛用于推薦系統(tǒng)研究和開發(fā)的電影評分數(shù)據(jù)集。該數(shù)據(jù)集由明尼蘇達大學的 GroupLens 研究小組創(chuàng)建，包含用戶對電影的評分信息。

17.Amazon Product Reviews

https://cseweb.ucsd.edu/~jmcauley/datasets.html#amazon_reviews

Amazon Product Reviews 數(shù)據(jù)集是一個廣泛用于情感分析、推薦系統(tǒng)和其他自然語言處理（NLP）任務的大規(guī)模數(shù)據(jù)集。該數(shù)據(jù)集包含了來自 Amazon 網(wǎng)站的用戶對各種產(chǎn)品的評論和評分信息。