Список наборів даних для досліджень з машинного навчання

Набори даних використовуються для дослідження машинного навчання, посилання на них використовуються в наукових академічних статтях. Набори даних є невід’ємною частиною галузі машинного навчання. Значні досягнення в цій галузі можуть бути результатом прогресу в алгоритмах навчання (наприклад, deep learning), комп'ютерного обладнання та, що не так очевидно, доступності високоякісних наборів навчальних даних.^[1] Високоякісні марковані навчальні набори даних для алгоритмів машинного керованого навчання і напівкероване навчання зазвичай важко та дорого створити через велику кількість часу, необхідного для позначення даних. Хоча їх не потрібно позначати, високоякісні набори даних для напівкерованого навчання також може бути складним і дорогим у створенні. Набори даних орієнтовані, здебільшого, на вирішення задач класифікації та розпізнавання і містять оцифровані зображення, відео, тексти, сигнали, звуки тощо.^[2][3][4][5]

Данні зображення

Ці набори даних складаються переважно із зображень або відео використовуються для таких завдань, як виявляння об'єктів, розпізнавання обличчя та класифікація за кількома мітками^[en].

Розпізнавання осіб

У комп'ютерному баченні зображення облич широко використовуються для розробки систем які розпізнають  обличчя, займаються виявленням облич та багатьох інших проектів.

Назва	Опис	Обробка	Розмір	Формат	Задачі	Створення	Посилання	Джерело
Aff-Wild	298 відео з 200 особами, ~1 250 000 анотованих вручну зображень: анотовані з точки зору афекту розмірів (валентність-збудження); обстановка в дикій природі; база кольорів; різні дозволи (середнє = 640x360)	виявлені обличчя, орієнтири обличчя та анотації валентно-збудження	Приблизно 1 250 000 зображень з анотаціями вручну	відео (візуальні + аудіомодальності)	розпізнавання афекту (оцінка валентності-збудження)	2017	CVPR[6] IJCV[7]	D.Kollias et al.
Aff-Wild2	558 відео з 458 особами, ~2 800 000 зображень, анотованих вручну: анотовані за і) категоричним афектом (7 основних виразів: нейтральний, щастя, смуток, здивування, страх, огида, гнів); ii) вимірний афект (валентність-збудження); iii) одиниці дії (AUs 1,2,4,6,12,15,20,25); обстановка в дикій природі; база кольорів; різні дозволи (середнє = 1030x630)	виявлені обличчя, виявлені та вирівняні обличчя та анотації	Приблизно 2 800 000 зображень з анотаціями вручну	відео (візуальні + аудіомодальності)	розпізнавання афекту (оцінка валентності-збудження, базова класифікація виразів, виявлення одиниць дії)	2019	BMVC[8] FG[9]	D.Kollias et al.
Face Recognition Technology (FERET)[en]	11338 зображень 1199 осіб у різних позиціях і в різний час.	Немає.	11,338	Зображення	Класифікація, розпізнавання обличчя	2003	[10][11]	United States Department of Defense
Ryerson Audio-Visual Database of Emotional Speech and Song (RAVDESS)	7356 відео та аудіозаписів 24 професійних акторів. По 8 емоцій у двох інтенсивності.	Файли, позначені виразом. Оцінки перевірки сприйняття надані 319 оцінювачами.	7,356	Відео, звукові файли	Класифікація, розпізнавання обличчя, розпізнавання голосу	2018	[12][13]	S.R. Livingstone and F.A. Russo
SCFace	Кольорові зображення облич під різними кутами.	Розташування виділених рис обличчя. Наведені координати об'єктів.	4,160	Зображення, текст	Класифікація, розпізнавання обличчя	2011	[14][15]	M. Grgic et al.
Yale Face Database	Обличчя 15 осіб у 11 різних виразах.	Мітки виразів.	165	Зображення	Розпізнавання обличчя	1997	[16][17]	J. Yang et al.
Cohn-Kanade AU-Coded Expression Database	Велика база даних зображень з мітками для виразів.	Відстеження певних рис обличчя.	500+ послідовностей	Зображення, текст	Аналіз виразу обличчя	2000	[18][19]	T. Kanade et al.
JAFFE Facial Expression Database	213 зображень із 7 виразами обличчя (6 основних виразів обличчя + 1 нейтральний), створених 10 японськими моделями.	Зображення обрізаються до області обличчя. Включає дані семантичних оцінок на етикетках емоцій.	213	Зображення, текст	Розпізнавання виразу обличчя	1998	[20][21]	Lyons, Kamachi, Gyoba
FaceScrub	Зображення публічних діячів, видалені з пошуку зображень.	Назва та м/ж анотація.	107,818	Зображення, текст	Розпізнавання обличчя	2014	[22][23]	H. Ng et al.
BioID Face Database	Зображення облич із позначеними положеннями очей.	Встановіть положення очей вручну.	1521	Зображення, текст	Розпізнавання обличчя	2001	[24][25]	BioID
Skin Segmentation Dataset	Довільно відібрані значення кольорів із зображень облич.	B, G, R, значення витягнуті.	245,057	Текст	Сегментація, класифікація	2012	[26][27]	R. Bhatt.
Bosphorus	База даних 3D зображень обличчя.	34 одиниці дії та 6 виразів, позначених; Позначено 24 орієнтири на обличчі.	4652	Зображення, текст	Розпізнавання облич, класифікація	2008	[28][29]	A Savran et al.
UOY 3D-Face	нейтральне обличчя, 5 виразів: гнів, щастя, смуток, очі закриті, брови підняті.	маркування.	5250	Зображення, текст	Розпізнавання облич, класифікація	2004	[30][31]	Університет Йорка
CASIA	Вирази: гнів, посмішка, сміх, здивування, закриті очі.	Немає.	4624	Зображення, текст	Розпізнавання облич, класифікація	2007	[32][33]	Institute of Automation, Chinese Academy of Sciences
CASIA	Вирази: Злість, Відраза, Страх, Щастя, Смуток, Подив.	Немає.	480	Відео з анотованим видимим спектром і ближнім інфрачервоним випромінюванням знімає зі швидкістю 25 кадрів в секунду	Розпізнавання облич, класифікація	2011	[34]	Zhao, G. et al.
BU-3DFE	нейтральне обличчя і 6 виразів: гнів, щастя, смуток, здивування, огида, страх (4 рівні). Вилучено 3D-зображення.	Немає.	2500	Зображення, текст	Розпізнавання виразу обличчя, класифікація	2006	[35]	Binghamton University
Face Recognition Grand Challenge[en] Dataset	До 22 зразків для кожного предмета. Вирази: гнів, щастя, смуток, здивування, огида, роздутий. 3D дані.	Немає.	4007	Зображення, текст	Розпізнавання облич, класифікація	2004	[36][37]	National Institute of Standards and Technology
Gavabdb	До 61 зразка для кожного предмета. Вирази обличчя нейтральні, посмішка, фронтальний акцентований сміх, фронтальний довільний жест. 3D зображення.	Немає.	549	Зображення, текст	Розпізнавання облич, класифікація	2008	[38][39]	King Juan Carlos University[en]
3D-RMA	До 100 предметів, вирази переважно нейтральні. Також кілька поз.	Немає.	9971	Зображення, текст	Розпізнавання облич, класифікація	2004	[40][41]	Royal Military Academy (Belgium)
SoF	112 осіб (66 чоловіків і 46 жінок) носять окуляри за різних умов освітлення.	Набір синтетичних фільтрів (розмиття, оклюзії, шуми та постеризація) різного рівня складності.	42 592 (2 662 оригінальне зображення × 16 синтетичних зображень)	Зображення, файл Mat	Класифікація за статтю, розпізнавання облич, розпізнавання обличчя, оцінка віку та виявлення окулярів	2017	[42][43]	Afifi, M. et al.
IMDB-WIKI	IMDB і Вікіпедія зображення обличчя з мітками статі та віку.	Немає	523,051	Зображення	Гендерна класифікація, розпізнавання обличчя, розпізнавання обличчя, оцінка віку	2015	[44]	R. Rothe, R. Timofte, L. V. Gool

Розпізнавання дій

Назва	Опис	Обробка	Розмір	Формат	Задачі	Створення	Посилання	Джерело
TV Human Interaction Dataset	Відео з 20 різних телевізійних шоу для прогнозування соціальних дій: рукостискання, п'ять, обійми, поцілунок.	Немає.	6,766 відеокліпів	відеокліп	Прогноз дії	2013	[45]	Patron-Perez, A. et al.
Berkeley Multimodal Human Action Database (MHAD)	Записи однієї особи, яка виконує 12 дій	Попередня обробка MoCap	660 зразків дій	8 Phase Space Motion Capture, 2 стереокамери, 4 чотирикамери, 6 акселерометрів, 4 мікрофони	Класифікація дій	2013	[46]	Ofli, F. et al.
THUMOS Dataset	Великий набір відео даних для класифікації дій	Дії класифіковані та позначені.	45 млн кадрів відео	Відео, зображення, текст	Класифікація, виявлення дії	2013	[47][48]	Y. Jiang et al.
MEXAction2	Набір відеоданих для локалізації дії та виявлення	Дії класифіковані та позначені.	1000	Відео	Виявлення дії	2014	[49]	Stoian et al.

Виявлення та розпізнавання об'єктів

Назва	Опис	Обробка	Розмыр	Формат	Задачи	Створення	Посилання	Джерело
Visual Genome	Зображення та їх опис		108,000	Зображення, текст	Підписи до зображень	2016	[50]	R. Krishna et al.
Berkeley 3-D Object Dataset	849 зображень, зроблених у 75 різних сценах. Позначено близько 50 різних класів об'єктів.	Обмежувальні рамки та маркування об'єктів.	849	Марковані зображення, текст	Розпізнавання об'єктів	2014	[51][52]	A. Janoch et al.
Berkeley Segmentation Data Set and Benchmarks 500 (BSDS500)	500 природних зображень, чітко розділених на розрізнені потяги, підмножини перевірки та тестування + код порівняльного аналізу. На основі BSDS300.	Кожне зображення сегментовано в середньому за п'ятьма різними предметами.	500	Сегментовані зображення	Виявлення контурів та ієрархічна сегментація зображення	2011	[53]	University of California, Berkeley
Microsoft Common Objects in Context (COCO)	складні побутові сцени звичайних предметів у їх природному контексті.	Виділення, маркування та класифікація об'єктів на 91 тип об'єкта.	2,500,000	Марковані зображення, текст	Розпізнавання об'єктів	2015	[54][55][56]	T. Lin et al.
SUN Database	Дуже велика база даних розпізнавання сцен і об'єктів.	Місця та предмети позначаються. Об'єкти сегментовані.	131,067	Зображення, текст	Розпізнавання об'єктів, розпізнавання сцени	2014	[57][58]	J. Xiao et al.
ImageNet[en]	Labeled object image database, used in the ImageNet Large Scale Visual Recognition Challenge[en]	Позначені об'єкти, обмежувальні рамки, описові слова, функції SIFT	14,197,122	Зображення, текст	Розпізнавання об'єктів, розпізнавання сцени	2009 (2014)	[55][59][60]	J. Deng et al.
Open Images	Великий набір зображень із ліцензією CC BY 2.0 з мітками на рівні зображення та обмежуючими рамками, що охоплюють тисячі класів.	Мітки на рівні зображення, обмежувальні рамки	9,178,275	Зображення, текст	Класифікація, розпізнавання об'єктів	2017	[61]
TV News Channel Commercial Detection Dataset	Телевізійна реклама та випуск новин.	Функції аудіо та відео, отримані з фотографій.	129,685	Текст	Кластеризація, класифікація	2015	[62][63]	P. Guha et al.
Statlog (Image Segmentation) Dataset	Примірники були відібрані випадковим чином з бази даних із 7 зовнішніх зображень і сегментовані вручну, щоб створити класифікацію для кожного пікселя.	Розраховано багато функцій.	2310	Текст	Класифікація	1990	[64]	University of Massachusetts[en]
Caltech 101[en]	Зображення предметів.	Позначено детальні контури об'єкта.	9146	Зображення	Класифікація, розпізнавання об'єктів.	2003	[65][66]	F. Li et al.
Caltech-256	Великий набір зображень для класифікації об'єктів.	Зображення розбиті на категорії та відсортовані вручну.	30,607	Зображення, текст	Класифікація, виявлення об'єктів	2007	[67][68]	G. Griffin et al.
SIFT10M Dataset	Функції SIFT набору даних Caltech-256.	Розширене вилучення функцій SIFT..	11,164,866	Текст	Класифікація, виявлення об'єктів	2016	[69]	X. Fu et al.
LabelMe	Коментовані зображення сцен.	Окреслені об'єкти.	187,240	Зображення, текст	Класифікація, виявлення об'єктів	2005	[70]	MIT Computer Science and Artificial Intelligence Laboratory
Cityscapes Dataset	Стерео-відеосекції, записані у вуличних сценах, з анотаціями на рівні пікселів. Метадані також включені.	Сегментація та маркування на рівні пікселів	25,000	Зображення, текст	Класифікація, виявлення об'єктів	2016	[71]	Daimler AG et al.
PASCAL VOC Dataset	Велика кількість зображень для завдань класифікації.	Маркування, обмежувальна рамка в комплекті	500,000	Зображення, текст	Класифікація, виявлення об'єктів	2010	[72][73]	M. Everingham et al.
CIFAR-10[en] Dataset	Багато маленьких зображень з низькою роздільною здатністю 10 класів об'єктів.	Класи позначені, створені розділи навчальних наборів.	60,000	Зображення	Класифікація	2009	[60][74]	A. Krizhevsky et al.
CIFAR-100 Dataset	Як і CIFAR-10, вище, але надано 100 класів об'єктів.	Класи позначені, створені розділи навчальних наборів.	60,000	Зображення	Класифікація	2009	[60][74]	A. Krizhevsky et al.
CINIC-10 Dataset	Єдиний внесок CIFAR-10 і Imagenet з 10 класами і 3 розділами. Більше за CIFAR-10.	Класи позначені, навчання, перевірка, створені розділи тестових наборів.	270,000	Зображення	Класифікація	2018	[75]	Luke N. Darlow, Elliot J. Crowley, Antreas Antoniou, Amos J. Storkey
Fashion-MNIST	База даних модних товарів, схожа на MNIST	Класи позначені, створені розділи навчальних наборів.	60,000	Зображення	Класифікація	2017	[76]	Zalando SE
notMNIST	Деякі загальнодоступні шрифти та витягнуті з них гліфи, щоб зробити набір даних подібним до MNIST. Існує 10 класів, з літерами A-J, взятими з різних шрифтів. Deyaki zahalʹnodostupni	Класи позначені, створені розділи навчальних наборів.	500,000	Зображення	Класифікація	2011	[77]	Yaroslav Bulatov
German Traffic Sign Detection Benchmark Dataset	Зображення з транспортних засобів дорожніх знаків на німецьких дорогах. Ці знаки відповідають стандартам ООН і тому такі ж, як і в інших країнах.	Знаки з маркуванням вручну	900	Зображення	Класифікація	2013	[78][79]	S Houben et al.
KITTI Vision Benchmark Dataset	Автономні транспортні засоби, що рухалися містом середнього розміру, фіксували зображення різних районів за допомогою камер і лазерних сканерів.	Багато тестів, отриманих з даних.	>100 GB of data	Зображення, текст	Класифікація, виявлення об'єктів	2012	[80][81][82]	A Geiger et al.
Linnaeus 5 dataset	Зображення 5 класів предметів.	Класи позначені, створені розділи навчальних наборів.	8000	Зображення	Класифікація	2017	[83]	Chaladze & Kalatozishvili
FieldSAFE	Мультимодальний набір даних для виявлення перешкод у сільському господарстві, включаючи стереокамеру, тепловізійну камеру, веб-камеру, 360-градусну камеру, лідар, радар і точну локалізацію.	Класи, позначені географічно.	>400 GB of data	Зображення та тривимірні хмари точок	Класифікація, виявлення об'єктів, локалізація об'єктів	2017	[84]	M. Kragh et al.
11K Hands	11 076 зображень рук (1600 x 1200 пікселів) 190 суб'єктів різного віку від 18 до 75 років для розпізнавання статі та біометричної ідентифікації.	Немає	11,076 hand images	Зображення та файли етикеток (.mat, .txt і .csv).	Розпізнавання статі та біометрична ідентифікація	2017	[85]	M Afifi
CORe50	Спеціально розроблена для безперервного/довічного навчання та розпізнавання об'єктів, це колекція з понад 500 відео (30 кадрів в секунду) із 50 домашніми об'єктами, які належать до 10 різних категорій.	Позначені класи, розділи навчальних наборів створені на основі 3-х шляхового тесту для кількох запусків.	164,866 RBG-D images	зображення (.png або .pkl) та файли етикеток (.pkl, .txt, .tsv).	Класифікація, розпізнавання об'єктів	2017	[86]	V. Lomonaco and D. Maltoni
OpenLORIS-Object	Набір даних Lifelong/Continual Robotic Vision (OpenLORIS-Object), зібраний реальними роботами, встановленими з кількома датчиками високої роздільної здатності, включає колекцію з 121 екземпляра об'єктів (1-а версія набору даних, 40 категорій предметів повсякденної потреби в 20 сценах). У наборі даних ретельно враховано 4 фактори середовища для різних сцен, включаючи освітлення, оклюзію, розмір у пікселях об'єкта та безлад, і чітко визначає рівні складності кожного фактора.	Позначені класи, розділи набору для навчання/перевірки/тестування, створених за допомогою сценаріїв тесту.	1 106 424 зображення RBG-D	зображення (.png і .pkl) та файли етикеток (.pkl).	Класифікація, розпізнавання об'єктів протягом усього життя, робототехнічне бачення	2019	[87]	Q. She et al.
THz and thermal video data set	Цей мультиспектральний набір даних включає терагерцові, теплові, візуальні, ближні інфрачервоні та тривимірні відео об'єктів, прихованих під одягом людей.	Надаються таблиці 3D пошуку, які дозволяють проектувати зображення на тривимірні хмари точок.	More than 20 videos. The duration of each video is about 85 seconds (about 345 frames).	AP2J	Експерименти з виявленням прихованих об'єктів	2019	[88][89]	Alexei A. Morozov and Olga S. Sushkova

Почерк і розпізнавання символів

Назва	Опис	Обробка	Розмір	Формат	Задачі	Створення	Посилання	Джерело
Artificial Characters Dataset	Штучно згенеровані дані, що описують структуру 10 великих англійських літер.	Координати намальованих ліній задані як цілі числа. Різні інші особливості.	6000	Текст	Розпізнавання рукописного тексту, класифікація	1992	[90]	H. Guvenir et al.
Letter Dataset	Верхні друковані літери.	З усіх зображень витягується 17 функцій.	20,000	Текст	OCR, класифікація	1991	[91][92]	D. Slate et al.
CASIA-HWDB	База даних рукописних китайських символів офлайн. 3755 класів у наборі символів GB 2312[en].	Зображення в сірому кольорі з фоновими пікселями, позначені як 255.	1,172,907	Зображення, текст	Розпізнавання рукописного тексту, класифікація	2009	[93]	CASIA
CASIA-OLHWDB	База даних рукописних китайських ієрогліфів онлайн, зібрана за допомогою ручки Anoto на папері. 3755 класів у наборі символів GB 2312[en].	Надає послідовності координат штрихів.	1,174,364	Зображення, текст	Розпізнавання рукописного тексту, класифікація	2009	[93][94]	CASIA
Character Trajectories Dataset	Марковані зразки траєкторій кінчика пера для людей, які пишуть прості символи.	3-dimensional pen tip velocity trajectory matrix for each sample	2858	Текст	Розпізнавання рукописного тексту, класифікація	2008	[95][96]	B. Williams
Chars74K Dataset	Розпізнавання символів у природних зображеннях символів, які використовуються як англійською, так і каннадською	Тривимірна матриця траєкторій швидкості кінчика пера для кожного зразка	74,107		Розпізнавання символів, розпізнавання рукописного тексту, OCR, класифікація	2009	[97]	T. de Campos
EMNIST dataset	Рукописні символи від 3600 авторів	Похідне від спеціальної бази даних NIST 19. Перетворено на зображення розміром 28x28 пікселів, що відповідають набору даних MNIST.[98]	800,000	Зображення	розпізнавання символів, класифікація, розпізнавання почерку	2016	EMNIST dataset[99] Documentation[100]	Gregory Cohen, et al
UJI Pen Characters Dataset	Ізольовані рукописні символи	Дано координати положення пера як символи.	11,640	Текст	Розпізнавання рукописного тексту, класифікація	2009	[101][102]	F. Prat et al.
Gisette Dataset	Зразки почерку з 4 і 9 символів, які часто плутають.	Функції, витягнуті з зображень, розділені на train/test, розмір зображень рукописного введення нормалізовано.	13,500	Зображення, текст	Розпізнавання рукописного тексту, класифікація	2003	[103]	Yann LeCun et al.
Omniglot dataset	1623 різних рукописних символи з 50 різних алфавітів.	Марковані вручну.	38,300	Зображення, текст	Класифікація, одноразове навчання	2015	[104][105]	American Association for the Advancement of Science
MNIST database	База даних рукописних цифр.	Марковані вручну.	60,000	Зображення, текст	Класифікація	1998	[106][107]	National Institute of Standards and Technology
Optical Recognition of Handwritten Digits Dataset	Нормовані растрові зображення рукописних даних.	Розмір нормалізовано та зіставлено на растрові зображення.	5620	Зображення, текст	Розпізнавання рукописного тексту, класифікація	1998	[108]	E. Alpaydin et al.
Pen-Based Recognition of Handwritten Digits Dataset	Рукописні цифри на електронній ручці-планшеті.	Витягуються вектори ознак для рівномірного розміщення.	10,992	Зображення, текст	Розпізнавання рукописного тексту, класифікація	1998	[109][110]	E. Alpaydin et al.
Semeion Handwritten Digit Dataset	Рукописні цифри від 80 осіб.	Усі рукописні цифри нормалізовано за розміром і відображено в одній сітці.	1593	Зображення, текст	Розпізнавання рукописного тексту, класифікація	2008	[111]	T. Srl
HASYv2	Рукописні математичні символи	Усі символи відцентровані та мають розмір 32px x 32px.	168233	Зображення, текст	Класифікація	2017	[112]	Martin Thoma
Noisy Handwritten Bangla Dataset	Включає набір даних рукописних цифр (10 класів) і базовий набір даних символів (50 класів), кожен набір даних має три типи шуму: білий гаусів, розмиття в русі та знижену контрастність.	Усі зображення відцентровані та мають розмір 32x32.	Numeral Dataset: 23330, Character Dataset: 76000	Зображення, текст	Розпізнавання рукописного тексту, класифікація	2017	[113][114]	M. Karki et al.

Аерофотознімки

Назва	Опис	Обробка	Розмір	Формат	Задачі	Створення	Посилання	Джерело
iSAID: Instance Segmentation in Aerial Images Dataset		Точна анотація на рівні екземпляра, виконана професійними анотаторами, перевірена та підтверджена експертними анотаторами, які відповідають чітко визначеним інструкціям.	655,451 (15 classes)	Зображення, jpg, json	Повітряна класифікація, виявлення об'єктів, сегментація екземплярів	2019	[115][115]	Syed Waqas Zamir, Aditya Arora, Akshita Gupta, Salman Khan, Guolei Sun, Fahad Shahbaz Khan, Fan Zhu, Ling Shao, Gui-Song Xia, Xiang Bai
Aerial Image Segmentation Dataset	80 аерофотознімків високої роздільної здатності з просторовою роздільною здатністю від 0,3 до 1,0.	Зображення сегментовані вручну.	80	Зображення	Повітряна класифікація, виявлення об'єктів	2013	[116][117]	J. Yuan et al.
KIT AIS Data Set	Кілька позначених наборів навчальних та оцінювальних даних аерофотознімків натовпу.	Зображення, позначені вручну, щоб показувати шляхи людей через натовп	~ 150	Зображення з доріжками	Відстеження людей, повітряне спостереження	2012	[116][118]	M. Butenuth et al.
Wilt Dataset	Дані дистанційного зондування хворих дерев та іншого ґрунтового покриву.	Вилучено різні функції.	4899	Зображення	Класифікація, виявлення повітряних об'єктів	2014	[119][120]	B. Johnson
MASATI dataset	Морські сцени оптичних аерофотознімків із видимого спектру. Він містить кольорові зображення в динамічних морських середовищах, кожне зображення може містити одну або кілька цілей за різних погодних умов і умов освітлення.	Обмежувальні рамки та маркування об'єктів.	7389	Зображення	Класифікація, виявлення повітряних об'єктів	2018	[121][122]	A.-J. Gallego et al.
Forest Type Mapping Dataset	Супутникові зображення лісів Японії.	Вилучено діапазони довжин хвилі зображення.	326	Текст	Класифікація	2015	[123][124]	B. Johnson
Overhead Imagery Research Data Set[en]	Коментовані зображення накладних. Зображення з кількома об'єктами.	Понад 30 анотацій і понад 60 статистичних даних, які описують ціль у контексті зображення.	1000	Зображення, текст	Класифікація	2009	[125][126]	F. Tanner et al.
SpaceNet	SpaceNet — це сукупність комерційних супутникових зображень і позначених навчальних даних.	Файли GeoTiff і GeoJSON, що містять сліди будівлі.	>17533	Зображення	Класифікація, ідентифікація об'єкта	2017	[127][128][129]	DigitalGlobe, Inc.[en]
UC Merced Land Use Dataset	Ці зображення були вручну витягнуті з великих зображень із колекції зображень міських районів Національної карти USGS для різних міських районів США.	Це 21-класний набір зображень землекористування, призначений для дослідницьких цілей. Для кожного класу є 100 зображень.	2,100	Зображення фішки розміром 256x256, 30 см (1 фут) GSD	Класифікація земельного покриву	2010	[130]	Yi Yang and Shawn Newsam
SAT-4 Airborne Dataset	Зображення було витягнуто з набору даних Національної програми зображення сільського господарства (NAIP).	SAT-4 має чотири широкі класи ґрунтового покриву, включає безплідні землі, дерева, пасовища та клас, який складається з усіх класів ґрунтового покриву, крім трьох вищезазначених.	500,000	Зображення	Класифікація	2015	[131][132]	S. Basu et al.
SAT-6 Airborne Dataset	Зображення було витягнуто з набору даних Національної програми зображення сільського господарства (NAIP).	SAT-6 має шість широких класів ґрунтового покриву, включає безплідні землі, дерева, пасовища, дороги, будівлі та водойми.	405,000	Зображення	Класифікація	2015	[131][133]	S. Basu et al.

Інші зображення

Назва	Опис	Обробка	Розмір	Формат	Задачі	Створення	Посилання	Джерело
NRC-GAMMA	Новий еталонний набір зображень газового лічильника	Жодного	28,883	Зображення, етикетка	Класифікація	2021	[134][135]	A. Ebadi, P. Paul, S. Auer, & S. Tremblay
The SUPATLANTIQUE dataset	Зображення відсканованих офіційних документів та документів Вікіпедії	Жодного	4908	TIFF/pdf	Ідентифікація вихідного пристрою, виявлення підробок, класифікація,…	2020	[136]	C. Ben Rabah et al.
Density functional theory quantum simulations of graphene	Позначені зображення вихідних даних для моделювання графену	Необроблені дані (у форматі HDF5) і вихідні мітки з квантового моделювання теорії функціональної щільності	60744 тестових і 501473 навчальних файлів	Марковані зображення	Регресія	2019	[137]	K. Mills & I. Tamblyn
Quantum simulations of an electron in a two dimensional potential well	Позначені зображення вихідних даних для моделювання 2d квантової механіки	Необроблені дані (у форматі HDF5) та вихідні мітки з квантового моделювання	1,3 мільйона зображень	Марковані зображення	Регресія	2017	[138]	K. Mills, M.A. Spanner, & I. Tamblyn
MPII Cooking Activities Dataset	Відео та зображення різних кулінарних заходів.	Шляхи та напрямки діяльності, мітки, дрібнозернисте позначення руху, клас активності, вилучення та маркування нерухомих зображень.	881,755 frames	Марковані відео, зображення, текст	Класифікація	2012	[139][140]	M. Rohrbach et al.
FAMOS Dataset	5000 унікальних мікроструктур, всі зразки були отримані 3 рази за допомогою двох різних камер.	Оригінальні файли PNG, відсортовані за камерою, а потім за придбанням. Файли даних MATLAB з однією матрицею 16384 разів 5000 на камеру на одержання.	30,000	Файли зображень і .mat	Аутентифікація	2012	[141]	S. Voloshynovskiy, et al.
PharmaPack Dataset	1000 унікальних класів з 54 зображеннями в класі.	Маркування класів, багато локальних дескрипторів, таких як SIFT і aKaZE, і локальні агреатори функцій, як-от Fisher Vector (FV).	54,000	Файли зображень і .mat	Дрібнозерниста класифікація	2017	[142]	O. Taran and S. Rezaeifar, et al.
Stanford Dogs Dataset	Зображення 120 порід собак з усього світу.	Надаються розділи для навчання/тесту та анотації ImageNet.	20,580	Зображення, текст	Дрібнозерниста класифікація	2011	[143][144]	A. Khosla et al.
StanfordExtra Dataset	2D ключові точки та сегментації для набору даних Stanford Dogs.	Надано 2D ключові точки та сегментації.	12,035	Марковані зображення	3D реконструкція/оцінка пози	2020	[145]	B. Biggs et al.
The Oxford-IIIT Pet Dataset	37 категорій домашніх тварин із приблизно 200 зображеннями кожної.	Мітка породи, щільна рамка, сегментація переднього плану та фону.	~ 7,400	Зображення, текст	Класифікація, виявлення об'єктів	2012	[144][146]	O. Parkhi et al.
Corel Image Features Data Set	База даних зображень з витягнутими функціями.	Багато функцій, включаючи гістограму кольорів, текстуру спільного появи та колірні моменти,	68,040	Текст	Класифікація, виявлення об'єктів	1999	[147][148]	M. Ortega-Bindenberger et al.
Online Video Characteristics and Transcoding Time Dataset.	Час перекодування для різних відео та властивостей відео.	Надано функції відео.	168,286	Текст	Регресія	2015	[149]	T. Deneke et al.
Microsoft Sequential Image Narrative Dataset (SIND)	Набір даних для послідовного перегляду мови	Описові підписи та розповідь наведено для кожної фотографії, а фотографії розташовані в послідовності	81,743	Зображення, текст	Візуальне оповідання	2016	[150]	Microsoft Research
Caltech-UCSD Birds-200-2011 Dataset	Великий набір зображень птахів.	Розташування частин для птахів, рамки, 312 бінарних атрибутів	11,788	Зображення, текст	Класифікація	2011	[151][152]	C. Wah et al.
YouTube-8M	Великий і різноманітний набір відеоданих із мітками	Ідентифікатори відео YouTube і пов'язані мітки з різноманітного словника з 4800 візуальних об'єктів	8 million	Відео, текст	Класифікація відео	2016	[153][154]	S. Abu-El-Haija et al.
YFCC100M	Великий і різноманітний набір даних зображень і відео з мітками	Розташування частин для птахів, обмежувальні рамки, 312 бінарних атрибутів, надані Flickr Videos and Images та пов'язані описи, назви, теги та інші метадані (наприклад, EXIF та геотеги)	100 million	Відео, зображення, текст	Класифікація відео та зображень	2016	[155][156]	B. Thomee et al.
Discrete LIRIS-ACCEDE	Короткі відео з анотаціями для валентності та збудження.	Етикетки валентності та збудження.	9800	Відео	Відео виявлення емоцій	2015	[157]	Y. Baveye et al.
Continuous LIRIS-ACCEDE	Довгі відео з анотаціями для валентності та збудження, а також зібрані гальванічні реакції шкіри.	Етикетки валентності та збудження.	30	Відео	Відео виявлення емоцій	2015	[158]	Y. Baveye et al.
MediaEval LIRIS-ACCEDE	Розширення Discrete LIRIS-ACCEDE, включаючи анотації для рівнів насильства у фільмах.	Мітки насильства, валентності та збудження.	10900	Відео	Відео виявлення емоцій	2015	[159]	Y. Baveye et al.
Leeds Sports Pose	Артикуловані анотації людської пози на 2000 природних спортивних зображеннях із Flickr.	Грубий урожай навколо однієї особи, яка цікавить, з 14 спільними етикетками	2000	Зображення плюс мітки файлів .mat	Оцінка пози людини	2010	[160]	S. Johnson and M. Everingham
Leeds Sports Pose Extended Training	Чітко сформульовані анотації людської пози на 10 000 природних спортивних зображень із Flickr.	14 спільних етикеток через краудсорсинг	10000	Зображення плюс мітки файлів .mat	Оцінка пози людини	2011	[161]	S. Johnson and M. Everingham
MCQ Dataset	6 різних реальних іспитів із множинним вибором (735 бланків відповідей і 33 540 блоків відповідей) для оцінки методів і систем комп'ютерного зору, розроблених для систем оцінювання тестів із множинним вибором.	Жодного	735 бланків відповідей та 33 540 скриньок для відповідей	Мітки файлів зображень і .mat	Розробка систем оцінювання тестів із множинним вибором	2017	[162][163]	Afifi, M. et al.
Surveillance Videos	Справжні відеоспостереження охоплюють великий час спостереження (7 днів по 24 години кожне).	Жодного	19 surveillance videos (7 days with 24 hours each).	Відео	Стиснення даних	2016	[164]	Taj-Eddin, I. A. T. F. et al.
LILA BC	Маркована інформаційна бібліотека Олександрії: біологія та охорона. Позначені зображення, які підтримують дослідження машинного навчання в галузі екології та екології.	Жодного	~10M images	Зображення	Класифікація	2019	[165]	LILA working group
Can We See Photosynthesis?	32 відео для восьми живих і восьми мертвих листків, записаних в умовах освітлення постійного та змінного струму.	Жодного	32 відео	Відео	Виявлення живості рослин	2017	[166]	Taj-Eddin, I. A. T. F. et al.
Mathematical Mathematics Memes	Колекція з 10 000 мемів з математики.	Жодного	~10,000	Зображення	Візуальне оповідання, виявлення об'єктів.	2021	[167]	Mathematical Mathematics Memes

Текстові дані

Ці набори даних складаються переважно з тексту для таких завдань, як обробка мови, аналіз настроїв, переклад і кластерний аналіз.

Відгуки

Назва	Опис	Оброботка	Розмір	Формат	Задачі	Створення	Посилання	Джерело
Amazon reviews	Огляди американських продуктів від Amazon.com.	Жодного	233.1 million	Текст	Класифікація, аналіз настроїв	2015 (2018)	[168][169]	McAuley et al.
OpinRank Review Dataset	Огляди автомобілів і готелів від Edmunds.com і TripAdvisor відповідно.	Жодного	42,230 / ~259,000 respectively	Текст	Аналіз настроїв, кластеризація	2011	[170][171]	K. Ganesan et al.
MovieLens	22 000 000 оцінок і 580 000 тегів застосовано до 33 000 фільмів 240 000 користувачів.	Жодного	~ 22M	Текст	Регресія, кластеризація, класифікація	2016	[172][173]	GroupLens Research[en]
Yahoo! Music User Ratings of Musical Artists	Понад 10 мільйонів рейтингів виконавців від користувачів Yahoo.	Жодного не описано.	~ 10M	Текст	Класифікація, регресія	2004	[174][175]	Yahoo!
Car Evaluation Data Set	Властивості автомобіля та їх загальна прийнятність.	Наведено шість категоріальних ознак.	1728	Текст	Класифікація	1997	[176]	M. Bohanec
YouTube Comedy Slam Preference Dataset	Дані про голосування користувачів для пар відео, які відображаються на YouTube. Користувачі голосували за смішніші відео.	Надано метадані відео.	1,138,562	Текст	Класифікація	2012	[177][178]	Google
Skytrax User Reviews Dataset	Відгуки користувачів про авіакомпанії, аеропорти, місця та салони від Skytrax.	Оцінки є дрібними і включають багато аспектів досвіду в аеропорту.	41396	Текст	Класифікація, регресія	2015	[179]	Q. Nguyen
Teaching Assistant Evaluation Dataset	Огляди помічника вчителя.	Наведено особливості кожного екземпляра, такі як клас, розмір класу та викладач.	151	Текст	Класифікація	1997	[180]	W. Loh et al.
Vietnamese Students’ Feedback Corpus (UIT-VSFC)	Відгуки студентів.	Коментарі	16,000	Текст	Класифікація	1997	[181][182]	Nguyen et al.
Vietnamese Social Media Emotion Corpus (UIT-VSMEC)	Коментарі користувачів у Facebook.	Коментарі	6,927	Текст	Класифікація	1997	[183]	Nguyen et al.
Vietnamese Open-domain Complaint Detection dataset (ViOCD)	Коментарі користувачів у Facebook.	Коментарі	5,485	Текст	Класифікація	2021	[184]	Nguyen et al.

Новини

Назва	Опис	Обробка	Розмір	Формат	Задачі	Створення	Посилання	Джерело
NYSK Dataset	Англійські новини про справу щодо звинувачень у сексуальному насильстві проти колишнього директора МВФ Домініка Стросс-Кана.	Відфільтровано та представлено у форматі XML.	10,421	XML, текст	Аналіз настроїв, виділення теми	2013	[185]	Dermouche, M. et al.
The Reuters Corpus Volume 1	Великий корпус новин Reuters англійською мовою.	Дрібнозерниста категоризація та коди тем.	810,000	Текст	Класифікація, кластеризація, узагальнення	2002	[186]	Reuters
The Reuters Corpus Volume 2	Великий корпус новин Reuters кількома мовами.	Дрібнозерниста категоризація та коди тем.	487,000	Текст	Класифікація, кластеризація, узагальнення	2005	[187]	Reuters
Thomson Reuters Text Research Collection	Великий корпус новин.	Деталі не описані.	1,800,370	Текст	Класифікація, кластеризація, узагальнення	2009	[188]	T. Rose et al.
Saudi Newspapers Corpus	31 030 арабських газетних статей.	Вилучено метадані.	31,030	JSON	Підведення підсумків, кластеризація	2015	[189]	M. Alhagri
RE3D (Relationship and Entity Extraction Evaluation Dataset)	Entity and Relation позначені дані з різних новин та державних джерел. За підтримки Dstl	Відфільтровано, категоризація за допомогою типів Baleen	невідомо	JSON	Класифікація, сутність і розпізнавання відносин	2017	[189]	Dstl
Examiner[en] Spam Clickbait Catalogue	Приманки кліків, спам, заголовки з краудсорсингу з 2010 по 2015 рік	Опублікувати дату та заголовки	3,089,781	CSV	Кластеризація, події, настрої	2016	[190]	R. Kulkarni
ABC Australia News Corpus	Весь корпус новин ABC Australia з 2003 по 2019 рік	Опублікувати дату та заголовки	1,186,018	CSV	Кластеризація, події, настрої	2020	[191]	R. Kulkarni
Worldwide News – Aggregate of 20K Feeds[en]	Тижневий знімок усіх онлайн-заголовків понад 20 мовами	Час публікації, URL-адреса та заголовки	1,398,431	CSV	Кластеризація, події, визначення мови	2018	[192]	R. Kulkarni
Reuters News Wire Headline	11 років подій із мітками часу, опублікованих у новинах	Час публікації, текст заголовка	16,121,310	CSV	НЛП, Комп'ютерна лінгвістика, Події	2018	[193]	R. Kulkarni
Ireland News Corpus	Новини 24 років Ірландії з 1996 по 2019 рік	Час публікації, категорія заголовка та текст	1,484,340	CSV	НЛП, Комп'ютерна лінгвістика, Події	2020	[194]	R. Kulkarni
News Headlines Dataset for Sarcasm Detection	Високоякісний набір даних із саркастичними та несаркастичними заголовками новин.	Чистий, нормований текст	26,709	JSON	НЛП, Комп'ютерна лінгвістика	2018	[195]	Rishabh Misra

Повідомлення

Назва	Опис	Обробка	Розмір	Формат	Задачі	Створення	Посилання	Джерело
Enron Email Dataset	Електронні листи від співробітників Enron розбиті в папки.	Вкладення видалено, недійсні адреси електронної пошти перетворені на анонімні	~ 500,000	Текст	Аналіз мережі, аналіз настроїв	2004 (2015)	[196][197]	Klimt, B. and Y. Yang
Ling-Spam Dataset	Корпус, що містить як легітимні листи, так і спам.	Чотири версії корпусу щодо того, чи був увімкнений лемматизатор чи стоп-лист.	2,412 Ham 481 Spam	Текст	Класифікація	2000	[198][199]	Androutsopoulos, J. et al.
SMS Spam Collection Dataset	Зібрані SMS-повідомлення зі спамом.	Немає	5,574	Текст	Класифікація	2011	[200][201]	T. Almeida et al.
Messages from 20 different newsgroups.	Повідомлення з 20 різних груп новин.	Немає	20,000	Текст	Обробка природної мови	1999	[202]	T. Mitchell et al.
Spambase Dataset	Спам електронних листів.	Вилучено багато текстових функцій.	4,601	Текст	Виявлення спаму, класифікація	1999	[203]	M. Hopkins et al.

Твіттер і твіти

Назва	Опис	Обробка	Розмір	Формат	Задачі	Створення	Посилання	Джерело
MovieTweetings	Набір даних рейтингу фільмів на основі загальнодоступних і добре структурованих твітів		~710,000	Текст	Класифікація, регресія	2018	[204]	S. Dooms
Twitter100k	Пари зображень і твітів		100,000	Текст і зображення	Міжмедійний пошук	2017	[205][206]	Y. Hu, et al.
Sentiment140	Дані твітів за 2009 рік, включаючи оригінальний текст, мітку часу, користувача та настрої.	Класифіковано за допомогою дистанційного спостереження від наявності смайлика в твіті.	1,578,627	Твіти, коми, розділені значення	аналіз настроїв	2009	[207][208]	A. Go et al.
ASU Twitter Dataset	Дані мережі Twitter, а не фактичні твіти. Показує зв’язки між великою кількістю користувачів.	Немає	11 316 811 користувачів, 85 331 846 підключень	Текст	Кластеризація, аналіз графів	2009	[209][210]	R. Zafarani et al.
SNAP Social Circles: Twitter Database	Великі дані мережі Twitter.	Характеристики вузлів, кола та мережі его.	1,768,149	Текст	Кластеризація, аналіз графів	2012	[211][212]	J. McAuley et al.
Twitter Dataset for Arabic Sentiment Analysis	Арабські твіти.	Зразки, позначені вручну як позитивні чи негативні.	2000	Текст	Класифікація	2014	[213][214]	N. Abdulla
Buzz in Social Media Dataset	Дані з Twitter і Tom's Hardware. Цей набір даних зосереджено на конкретних актуальних темах, які обговорюються на цих сайтах.	Дані відображаються у вікні, щоб користувач міг спробувати передбачити події, які призвели до шуму в соціальних мережах.	140,000	Текст	Регресія, класифікація	2013	[215][216]	F. Kawala et al.
Paraphrase and Semantic Similarity in Twitter (PIT)	Цей набір даних зосереджується на тому, чи мають твіти (майже) однакове значення/інформацію чи ні. Маркування вручну.	токенізацію, тегування частин мови та іменованих об’єктів	18,762	Текст	Регресія, класифікація	2015	[217][218]	Xu et al.
Geoparse Twitter benchmark dataset	Цей набір даних містить твіти під час різних новинних подій у різних країнах. Згадки про місцеположення, позначені вручну.	до метаданих JSON додано анотації про місцезнаходження	6,386	Tweets, JSON	Класифікація, вилучення інформації	2014	[219][220]	S.E. Middleton et al.
Dutch Social media collection	Цей набір даних містить твіти про COVID-19, зроблені нідерландськими носіями або користувачами з Нідерландів. Дані були позначені машиною	класифіковано за настрої, текст твітів і опис користувача, перекладений англійською. Вилучаються згадки про галузь	271,342	JSONL	Настрої, класифікація з кількома мітками, машинний переклад	2020	[221][222][223]	Aaaksh Gupta, CoronaWhy

Діалоги

Назва	Опис	Обробка	Розмір	Формат	Задачі	Створення	Посилання	Джерело
NPS Chat Corpus	Публікації з вікових онлайн-чатів.	Конфіденційність рук замаскована, позначена як частина мови та діалог-акт.	~ 500,000	XML	НЛП, програмування, лінгвістика	2007	[224]	Forsyth, E., Lin, J., & Martell, C.
Twitter Triple Corpus	A-B-A трійки витягнуто з Twitter.		4,232	Текст	NLP	2016	[225]	Sordini, A. et al.
UseNet Corpus	Повідомлення на форумі UseNet.	Анонімні електронні листи та URL-адреси. Пропущені документи довжиною <500 слів або >500 000 слів, або які були <90% англійською.	7 billion	Текст		2011	[226]	Shaoul, C., & Westbury C.
NUS SMS Corpus	SMS-повідомлення, зібрані між двома користувачами, з аналізом часу.		~ 10,000	XML	NLP	2011	[227]	KAN, M
Reddit All Comments Corpus	Усі коментарі на Reddit (станом на 2015 рік).		~ 1.7 billion	JSON	НЛП, дослідження	2015	[228]	Stuck_In_the_Matrix
Ubuntu Dialogue Corpus	Діалоги, витягнуті з потоку чату Ubuntu на IRC.		930 thousand dialogues, 7.1 million utterances	CSV	Dialogue Systems Research	2015	[229]	Lowe, R. et al.
Dialog State Tracking Challenge	Проблеми відстеження стану діалогу 2 і 3 (DSTC2&3) були дослідницьким завданням, зосередженим на покращенні сучасного рівня відстеження стану мовних діалогових систем.	Транскрипція розмовних діалогів з маркуванням	DSTC2 contains ~3.2k calls – DSTC3 contains ~2.3k calls	Json	Відстеження стану діалогу	2014	[230]	Henderson, Matthew and Thomson, Blaise and Williams, Jason D

Інший текст

Назва	Опис	Обробка	Розмір	Формат	Формат	Створений	Посилання	Джерело
Web of Science Dataset	Ієрархічні набори даних для класифікації тексту	Немає	46,985	Текст	класифікація, Категоризація	2017	[231][232]	K. Kowsari et al.
Legal Case Reports	Розгляд справ Федерального суду Австралії з 2006 по 2009 роки.	Немає	4,000	Текст	Підведення підсумків, аналіз цитування	2012	[233][234]	F. Galgani et al.
Blogger Authorship Corpus	Записи в блозі 19 320 людей із blogger.com.	Блогер сам надає стать, вік, галузь та астрологічний знак.	681,288	Текст	Аналіз настроїв, узагальнення, класифікація	2006	[235][236]	J. Schler et al.
Social Structure of Facebook Networks	Великий набір даних соціальної структури Facebook.	Немає	Охоплено 100 коледжів	Текст	Аналіз мережі, кластеризація	2012	[237][238]	A. Traud et al.
Dataset for the Machine Comprehension of Text	Розповіді та відповідні запитання для перевірки розуміння тексту.	Немає	660	Текст	Обробка природної мови, машинне розуміння	2013	[239][240]	M. Richardson et al.
The Penn Treebank Project	Природний текст, анотований для мовної структури.	Текст розбирається на семантичні дерева.	~ 1 млн слів	Текст	Обробка природної мови, узагальнення	1995	[241][242]	M. Marcus et al.
DEXTER Dataset	Поставлене завдання – визначити за наведеними ознаками, які статті стосуються корпоративних придбань.	Вилучені ознаки включають основи слів. Включені функції відволікача.	2600	Текст	Класифікація	2008	[243]	Reuters
Google Books N-grams	N-грами з дуже великого корпусу книг	Немає	2,2 ТБ тексту	Текст	Класифікація, кластеризація, регресія	2011	[244][245]	Google
Personae Corpus	Зібрано для експериментів із визначення авторства та передбачення особистості. Складається з 145 есе голландською мовою.	Крім звичайних текстів наводяться синтаксично анотовані тексти.	145	Текст	Класифікація, регресія	2008	[246][247]	K. Luyckx et al.
CNAE-9 Dataset	Завдання на категоризацію для вільних текстових описів бразильських компаній.	Вилучено частоту слів.	1080	Текст	Класифікація	2012	[248][249]	P. Ciarelli et al.
Sentiment Labeled Sentences Dataset	3000 речень, позначених настроєм	Настрої кожного речення вручну позначені як позитивні чи негативні.	3000	Текст	Класифікація, аналіз настроїв	2015	[250][251]	D. Kotzias
BlogFeedback Dataset	Набір даних для прогнозування кількості коментарів, які отримає публікація на основі функцій цієї публікації.	Вилучено багато функцій кожного повідомлення.	60,021	Текст	Регресія	2014	[252][253]	K. Buza
Stanford Natural Language Inference (SNLI) Corpus	Підписи до зображень поєднуються з нещодавно створеними реченнями, щоб утворити суть, протиріччя або нейтральні пари.	Мітки класів Entailment, синтаксичний аналіз за допомогою аналізатора Stanford PCFG	570,000	Текст	Висновок природної мови/розпізнавання тексту	2015	[254]	S. Bowman et al.
DSL Corpus Collection (DSLCC)	Багатомовна збірка коротких уривків публіцистичних текстів схожими мовами та діалектами.	Немає	294,000 фраз	Текст	Розрізнення схожих мов	2017	[255]	Tan, Liling et al.
Urban Dictionary Dataset	Корпус слів, голосів і визначень	Імена користувачів анонімні	2,580,925	CSV	НЛП, машинне розуміння	2016 May	[256]	Anonymous
T-REx	Реферати Вікіпедії узгоджені з сутностями Вікіданих	Вирівнювання трійок Вікіданих з тезами Вікіпедії	11M вирівняні трійки	JSON and NIF [3]	НЛП, вилучення відносин	2018	[257]	H. Elsahar et al.
General Language Understanding Evaluation (GLUE)	Тест із дев’яти завдань	Різні	~1М речень і пар речень		NLU	2018	[258][259][260]	Wang et al.
Contract Understanding Atticus Dataset (CUAD) (formerly known as Atticus Open Contract Dataset (AOK))	Набір даних юридичних договорів з багатими експертними анотаціями		~13 000 етикеток	CSV and PDF	Обробка природної мови, QnA	2021		The Atticus Project
Vietnamese Image Captioning Dataset (UIT-ViIC)	В'єтнамський набір даних підписів зображень		19 250 підписів для 3 850 зображень	CSV and PDF	Обробка природної мови, комп’ютерний зір	2020	[261]	Lam et al.
Vietnamese Names annotated with Genders (UIT-ViNames)	В’єтнамські назви з анотаціями статей		26 850 в’єтнамських повних імен із анотацією статі	CSV	Обробка природної мови	2020	[262]	To et al.
Vietnamese Constructive and Toxic Speech Detection Dataset (UIT-ViCTSD)	В'єтнамський набір даних для виявлення конструктивної та токсичної мови		10 000 в'єтнамських користувачів прокоментували інтернет-газети в 10 доменах	CSV	Обробка природної мовиОбробка природної мови	2021	[263]	Nguyen et al.
The Pile	Збірка кількох великих наборів даних із різноманітних і неструктурованих текстів	Різні (видалення HTML і Javascript з веб-сайтів, видалення повторюваних речень)	825 ГіБ англійським текстом	JSON[264][265] Lines	Обробка природної мови, передбачення тексту	2021	[266][267]	Gao et

Звукові дані

Ці набори даних складаються зі звуків і звукових функцій, які використовуються для таких завдань, як розпізнавання мовлення та синтез мовлення.

Мовлення

Назва	Опис	Обробка	Розмір	Формат	Задачі	Створення	Посилання	Джерело
Zero Resource Speech Challenge 2015	Спонтанне мовлення (англійська мова), Читана мова (Xitsonga).	Немає, необроблені файли WAV.	англійська: 5 год, 12 динаміків; Xitsonga: 2:30, 24 динаміки	WAV (audio only)	Неконтрольоване виявлення мовних властивостей/підрядних одиниць/одиниць слів	2015	[268][269]	Versteegh et al.
Parkinson Speech Dataset	Багато записів людей із хворобою Паркінсона та без неї.	Вилучено голосові характеристики, оцінка захворювання лікарем за уніфікованою шкалою оцінки хвороби Паркінсона[en].	1,040	Текст	Класифікація, регресія	2013	[270][271]	B. E. Sakar et al.
Spoken Arabic Digits	Розмовні арабські цифри з 44 чоловіків і 44 жінок.	Часові ряди коефіцієнтів мел-частотного кепстру.	8,800	Текст	Класифікація	2010	[272][273]	M. Bedda et al.
ISOLET Dataset	Назви розмовних букв.	Особливості, витягнуті зі звуків.	7797	Текст	Класифікація	1994	[274][275]	R. Cole et al.
Japanese Vowels Dataset	Дев'ять чоловіків, які говорять, вимовляли дві японські голосні підряд.	Застосував до нього 12-градусний аналіз лінійного прогнозування, щоб отримати дискретно-часовий ряд з 12 коефіцієнтами кепстру.	640	Текст	Класифікація	1999	[276][277]	M. Kudo et al.
Parkinson's Telemonitoring Dataset	Багато записів людей із хворобою Паркінсона та без неї.	Вилучено звукові характеристики.	5875	Текст	Класифікація	2009	[278][279]	A. Tsanas et al.
TIMIT[en]	Записи 630 носіїв восьми основних діалектів американської англійської, кожен з яких читає десять фонетично насичених речень.	Мовлення лексично і фонематично транскрибується.	6300	Текст	Розпізнавання мовлення, класифікація.	1986	[280][281]	J. Garofolo et al.
Arabic Speech Corpus[en]	Корпус мовлення сучасної стандартної арабської мови (MSA) для одного мовця з фонетичними та орфографічними транскриптами, вирівняними на рівні фонем.	Мовлення орфографічно і фонетично транскрибується з наголосами.	~1900	Текст, WAV	Синтез мовлення, розпізнавання мовлення, вирівнювання корпусу, логопедія, освіта.	2016	[282]	N. Halabi
Common Voice[en]	Загальнодоступна база даних краудсорсингу в широкому діапазоні діалектів.	Перевірка іншими користувачами.	English: 1,118 hours	MP3 з відповідними текстовими файлами	Розпізнавання мови	June 2017 (December 2019)	[283]	Mozilla
LJSpeech	Корпус англійських записів аудіокниг, які є загальнодоступними, розбитими на короткі кліпи за розділовими знаками.	Перевірка якості, нормалізована транскрипція поряд з оригіналом.	13,100	CSV, WAV	Синтез мовлення	2017	[284]	Keith Ito, Linda Johnson

Музика

Назва	Опис	Обробка	Розмір	Формат	Задачі	Створення	Посилання	Джерело
Geographic Origin of Music Data Set	Звукові особливості музичних зразків з різних місць.	Функції аудіо, отримані за допомогою програмного забезпечення MARSYAS.	1,059	Текст	Географічна класифікація, кластеризація	2014	[285][286]	F. Zhou et al.
Million Song Dataset	Звукові функції з мільйона різних пісень.	Функції аудіо вилучено.	1M	Текст	Класифікація, кластеризація	2011	[287][288]	T. Bertin-Mahieux et al.
MUSDB18	Багатодоріжкові записи популярної музики	Сирий звук	150	MP4, WAV	Поділ джерел	2017	[289]	Z. Rafii et al.
Free Music Archive[en]	Аудіо під Creative Commons із 100 тисяч пісень (343 дні, 1TiB) з ієрархією із 161 жанру, метаданими, даними користувача, текстом у довільній формі.	Функції необробленого звуку та аудіо.	106,574	Текст , MP3	Класифікація, рекомендація	2017	[290]	M. Defferrard et al.
Bach Choral Harmony Dataset	Хоральні акорди Баха.	Функції аудіо вилучено.	5665	Текст	Класифікація	2014	[291][292]	D. Radicioni et al.

Інші звуки. Класифікація

Назва	Опис	Обробка	Розмір	Формат	Задачі	Створення	Посилання	Джерело
UrbanSound	Марковані звукозаписи звуків, таких як кондиціонери, автомобільні гудки та діти, які грають.	Відсортовано по папках за класом подій, а також метаданими у файлі JSON та анотаціями у файлі CSV.	1,059	Звук (WAV)	Класифікація	2014	[293][294]	J. Salamon et al.
AudioSet	10-секундні звукові фрагменти з відео YouTube та онтологія з понад 500 міток.	128-d PCA'd VGG-ish показує кожні 1 секунду.	2,084,320	Текстові (CSV) і файли TensorFlow Record	Класифікація	2017	[295]	J. Gemmeke et al., Google
Bird Audio Detection challenge	Аудіо зі станцій моніторингу навколишнього середовища, а також записи з краудсорсингу		17,000+		Класифікація	2016 (2018)	[296][297]	Queen Mary University and IEEE Signal Processing Society[en]
WSJ0 Hipster Ambient Mixtures	Аудіо з WSJ0 змішано з шумом, записаним у районі затоки Сан-Франциско	Кліпи з шумом, відповідні кліпам WSJ0	28,000	Звук(WAV)	Розділення джерел звуку	2019	[298]	Wichern, G., et al., Whisper and MERL
Clotho	4981 звуковий зразок тривалістю від 15 до 30 секунд, кожен з яких має п’ять різних підписів довжиною від 8 до 20 слів.		24,905	Звук (WAV) та текст(CSV)	Автоматичні субтитри	2020	[295][299]	K. Drossos, S. Lipping, and T. Virtanen

Дані сигналу

Набори даних, що містять інформацію про електричний сигнал, що вимагає певної обробки сигналу для подальшого аналізу.

Електричні

Назва	Опис	Обробка	Розмір	Формат	Задачі	Створений	Посилання	Джерело
Witty Worm Dataset	Набір даних із детальною інформацією про поширення хробака Witty та заражених комп’ютерів.	Розділіть на загальнодоступний набір і обмежений набір, що містить більш конфіденційну інформацію, як-от заголовки IP і UDP.	55,909 IP addresses	Текст	Класифікація	2004	[300][301]	Center for Applied Internet Data Analysis
Cuff-Less Blood Pressure Estimation Dataset	Очищені життєво важливі сигнали від пацієнтів, які можна використовувати для оцінки артеріального тиску.	Життєві показники 125 Гц очищено.	12,000	Текст	Класифікація, регресія	2015	[302][302]	M. Kachuee et al.
Gas Sensor Array Drift Dataset	Вимірювання з 16 хімічних датчиків, використаних у моделюванні для компенсації дрейфу.	Велика кількість наданих функцій.	13,910	Текст	Класифікація	2012	[303][304]	A. Vergara
Servo Dataset	Дані, що охоплюють нелінійні співвідношення, що спостерігаються в схемі сервопідсилювача.	Наведено рівні різних компонентів як функції інших компонентів.	167	Текст	Регресія	1993	[305][306]	K. Ullrich
UJIIndoorLoc-Mag Dataset	База даних локалізації всередині приміщень для тестування внутрішніх систем позиціонування. Дані базуються на магнітному полі.	Дано розділи на тренування та тести.	40,000	Текст	Класифікація, регресія, кластеризація	2015	[307][308]	D. Rambla et al.
Sensorless Drive Diagnosis Dataset	Електричні сигнали від двигунів з несправними компонентами.	Вилучено статистичні ознаки.	58,508	Текст	Класифікація	2015	[309][310]	M. Bator

Відстеження рух

Назва	Опис	Обробка	Розмір	Формат	Задачі	Створенний	Посилання	Джерело
Wearable Computing: Classification of Body Postures and Movements (PUC-Rio)	Люди, які виконують п’ять стандартних дій під час носіння трекерів руху.	Немає	165,632	Текст	Класифікація	2013	[311][312]	Pontifical Catholic University of Rio de Janeiro[en]
Gesture Phase Segmentation Dataset	Функції, отримані з відео людей, які роблять різні жести.	Вилучені функції спрямовані на вивчення фазової сегментації жестів.	9900	Текст	Класифікація, кластеризація	2014	[313][314]	R. Madeo et a
Vicon Physical Action Data Set Dataset	10 звичайних і 10 агресивних фізичних дій, які вимірюють активність людини, яку відстежує 3D-трекер.	Багато параметрів записує 3D трекер.	3000	Текст	Класифікація	2011	[315][316]	T. Theodoridis
Daily and Sports Activities Dataset	Дані датчиків двигуна для 19 щоденних і спортивних занять.	Надано багато датчиків, без попередньої обробки сигналів.	9120	Текст	Класифікація	2013	[317][318]	B. Barshan et al.
Human Activity Recognition Using Smartphones Dataset	Дані гіроскопа та акселерометра від людей, які носять смартфони та виконують звичайні дії.	Виконані дії позначаються, всі сигнали попередньо обробляються на наявність шуму.	10,299	Текст	Класифікація	2012	[319][320]	J. Reyes-Ortiz et al.
Australian Sign Language Signs	Австралійські знаки жестовою мовою, зняті рукавичками для відстеження руху.	Немає	2565	Текст	Класифікація	2002	[321][322]	M. Kadous
Weight Lifting Exercises monitored with Inertial Measurement Units	П’ять варіантів вправи на скручування біцепса, що контролюються за допомогою IMU.	Деякі статистичні дані, розраховані на основі необроблених даних.	39,242	Текст	Класифікація	2013	[323][324]	W. Ugulino et al.
sEMG for Basic Hand movements Dataset	Дві бази даних поверхневих електроміографічних сигналів 6 рухів рук.	Немає	3000	Текст	Класифікація	2014	[325][326]	C. Sapsanis et al.
REALDISP Activity Recognition Dataset	Оцініть методи, що стосуються впливу зміщення датчика при розпізнаванні активності, що можна носити.	Немає	1419	Текст	Класифікація	2014	[326][327]	O. Banos et al.
Heterogeneity Activity Recognition Dataset	Дані з кількох різних розумних пристроїв для людей, які виконують різні види діяльності.	Немає	43,930,257	Текст	Класифікація, кластеризація	2015	[328][329]	A. Stisen et al.
Indoor User Movement Prediction from RSS Data	Тимчасові дані бездротової мережі, які можна використовувати для відстеження переміщення людей в офісі.	Немає	13,197	Текст	Класифікація	2016	[330][331]	D. Bacciu
PAMAP2 Physical Activity Monitoring Dataset	18 різних видів фізичних навантажень, які виконували 9 випробовуваних у 3 ІДУ.	Немає	3,850,505	Текст	Класифікація	2012	[332]	A. Reiss
OPPORTUNITY Activity Recognition Dataset	Розпізнавання людської активності від датчиків, які можна носити, об’єкта та навколишнього середовища – це набір даних, розроблений для порівняння алгоритмів розпізнавання людської діяльності.	Немає	2551	Текст	Класифікація	2012	[333][334]	D. Roggen et al.
Real World Activity Recognition Dataset	Розпізнавання людської діяльності за допомогою носових пристроїв. Розрізняє сім положень на корпусі пристрою та містить шість різних типів датчиків.	Немає	3 150 000 (за датчик)	Текст	Класифікація	2016	[335]	T. Sztyler et al.
Toronto Rehab Stroke Pose Dataset	Тривимірні оцінки пози людини (Kinect) пацієнтів із інсультом та здорових учасників, які виконують набір завдань за допомогою робота для реабілітації після інсульту.	Немає	10 здорових людей і 9 людей, які пережили інсульт (3500–6000 кадрів на людину)	CSV	Класифікація	2017	[336][337][338]	E. Dolatabadi et al.
Corpus of Social Touch (CoST)	7805 жестів фіксують 14 різних жестів соціального дотику, виконаних 31 досліджуваним. Жести виконувались у трьох варіантах: ніжні, нормальні та грубі, на сітці датчика тиску, обмотаної навколо руки манекена.	Здійснювані сенсорні жести сегментовані та позначені.	7805 зйомок жестів	CSV	Класифікація	2016	[339][340]	M. Jung et al.

Інші сигнали

Назва	Опис	Обробка	Розмір	Формат	Задачі	Створення	Посилання	Джерело
Wine Dataset	Хімічний аналіз вин, вирощених в одному регіоні Італії, але отриманих з трьох різних сортів.	Наведено 13 властивостей кожного вина	178	Текст	Класифікація, регресія	1991	[341][342]	M. Forina et al.
Combined Cycle Power Plant Data Set	Дані від різних датчиків на електростанції, яка працює протягом 6 років.	Жодного	9568	Текст	Регресія	2014	[343][344]	P. Tufekci et al.

Фізичні дані

Набори даних з фізичних систем.

Фізика високих енергій

Назва	Опис	Обробка	Розмір	Формат	Задачі	Створення	Посилання	Джерело
HIGGS Dataset	Моделювання Монте-Карло зіткнень прискорювачів частинок.	Наведено 28 ознак кожного зіткнення.	11M	Текст	Класифікація	2014	[345][346][347]	D. Whiteson
HEPMASS Dataset	Моделювання Монте-Карло зіткнень прискорювачів частинок. Мета – відокремити сигнал від шуму.	Наведено 28 ознак кожного зіткнення.	10,500,000	Текст	Класифікація	2016	[346][347][348]	D. Whiteson

Системи

Назва	Опис	Обробка	Розмір	Формат	Задачі	Створення	Посилання	Джерело
Yacht Hydrodynamics Dataset	Продуктивність яхти на основі розмірів.	Для кожної яхти надано шість функцій.	308	Текст	Регресія	2013	[349][350]	R. Lopez
Robot Execution Failures Dataset	5 наборів даних, які зосереджені на збій роботи роботів у виконанні звичайних завдань.	Цілочисельні функції, такі як крутний момент та інші вимірювання датчиків.	463	Текст	Класифікація	1999	[351]	L. Seabra et al.
Pittsburgh Bridges Dataset	Опис конструкції дається з точки зору кількох властивостей різних мостів.	Наведено різні особливості мосту.	108	Текст	Класифікація	1990	[352][353]	Y. Reich et al.
Automobile Dataset	Дані про автомобілі, їх страховий ризик та нормовані збитки.	Характеристики автомобіля вилучені.	205	Текст	Регресія	1987	[354][355]	J. Schimmer et al.
Auto MPG Dataset	Дані MPG для автомобілів.	Наведено вісім особливостей кожного автомобіля.	398	Текст	Регресія	1993	[356]	Carnegie Mellon University
Energy Efficiency Dataset	Вимоги до опалення та охолодження наведені як функція параметрів будівлі.	Параметри будівлі наведено.	768	Текст	Класифікація, регресія	2012	[357][358]	A. Xifara et al.
Airfoil Self-Noise Dataset	Серія аеродинамічних та акустичних випробувань дво- та тривимірних секцій лопаті аеродинамічного профілю.	Наведено дані про частоту, кут атаки тощо.	1503	Текст	Регресія	2014	[359]	R. Lopez
Challenger USA Space Shuttle O-Ring Dataset	Спробуйте передбачити проблеми з ущільнювальними кільцями, враховуючи попередні дані Challenger.	Наведено кілька особливостей кожного польоту, наприклад, температура запуску.	23	Текст	Регресія	1993	[360][361]	D. Draper et al.
Statlog (Shuttle) Dataset	Набори даних космічного човника NASA.	Надано дев’ять ознак.	58,000	Текст	Класифікація	2002	[362]	NASA

Астрономія

Назва	Опис	Обробка	Розмір	Формат	Задача	Створення	Посилання	Джерело
Volcanoes on Venus – JARtool experiment Dataset	Зображення Венери, отримані космічним кораблем Магеллан.	Зображення позначаються людьми.	not given	Зображення	Класифікація	1991	[363][364]	M. Burl
MAGIC Gamma Telescope Dataset	Монте-Карло генерував події високої енергії гамма-частинок.	Численні функції, отримані з моделювання.	19,020	Текст	Класифікаціяion	2007	[364][365]	R. Bock
Solar Flare Dataset	Вимірювання кількості певних типів сонячних спалахів, що відбуваються протягом 24 годин.	Надано багато специфічних особливостей сонячних спалахів.	1389	Текст	Розділення джерела звуку	1989	[366]	G. Bradshaw
CAMELS Multifield Dataset	2D-карти та 3D-сітки з тисяч N-тіл і найсучасніших гідродинамічних симуляцій, що охоплюють широкий діапазон значень космологічних і астрофізичних параметрів	Кожна карта та сітка мають 6 космологічних та астрофізичних параметрів, пов’язаних з нею	405,000 2D maps and 405,000 3D grids	2D maps and 3D grids	Регресія	2021	[367]	Francisco Villaescusa-Navarro et al.

Наука про Землю

Назва	Опис	Обробка	Розмір	Формат	Задачі	Створення	Посилання	Джерело
Volcanoes of the World	Дані про виверження вулканів для всіх відомих вулканічних подій на Землі.	Наведено такі деталі, як регіон, субрегіон, тектонічні умови, домінуючий тип гірських порід.	1535	Текст	Регресія, класифікація	2013	[368]	E. Venzke et al.
Seismic-bumps Dataset	Сейсмічна діяльність на вугільній шахті.	Сейсмічна активність була класифікована як небезпечна чи ні.	2584	Текст	Класифікація	2013	[369][370]	M. Sikora et al.
CAMELS-US	Набір гідрологічних даних водозбору з гідрометеорологічними хронометражами та різними атрибутами	див. Посилання	671	CSV, Text, Shapefile	Регресія	2017	[371][372]	N. Addor et al. / A. Newman et al.
CAMELS-Chile	Набір гідрологічних даних водозбору з гідрометеорологічними хронометражами та різними атрибутами	див. Посилання	516	CSV, Text, Shapefile	Регресія	2018	[373]	C. Alvarez-Garreton et al.
CAMELS-Brazil	Набір гідрологічних даних водозбору з гідрометеорологічними хронометражами та різними атрибутами	див. Посилання	897	CSV, Text, Shapefile	Регресія	2020	[374]	V. Chagas et al.
CAMELS-GB	Набір гідрологічних даних водозбору з гідрометеорологічними хронометражами та різними атрибутами	див. Посилання	671	CSV, Text, Shapefile	Регресія	2020	[375]	G. Coxon et al.
CAMELS-Australia	Набір гідрологічних даних водозбору з гідрометеорологічними хронометражами та різними атрибутами	див. Посилання	222	CSV, Text, Shapefile	Регресія	2021	[376]	K. Fowler et al.
LamaH-CE	Набір гідрологічних даних водозбору з гідрометеорологічними хронометражами та різними атрибутами	див. Посилання	859	CSV, Text, Shapefile	Регресія	2021	[377]	C. Klingler et al.

Інші фізичні

Назва	Опис	Обробка	Розмір	Формат	Задачі	Створений	Посилання	Джерело
Concrete Compressive Strength Dataset	Набір даних про властивості бетону та міцність на стиск.	Для кожного зразка надано дев’ять ознак.	1030	Текст	Регресія	2007	[378][379]	I. Yeh
Concrete Slump Test Dataset	Осадка бетону наведена з точки зору властивостей.	Наведені характеристики бетону, такі як летюча зола, вода тощо.	103	Текст	Регресія	2009	[380][381]	I. Yeh
Musk Dataset	Спрогнозуйте, чи буде молекула, враховуючи особливості, мускусом чи немускусом.	Для кожної молекули наведено 168 ознак.	6598	Текст	Класифікація	1994	[382]	Arris Pharmaceutical Corp.
Steel Plates Faults Dataset	Сталеві пластини 7 різних типів.	Для кожного зразка наведено 27 ознак.	1941	Текст	Класифікація	2010	[383]	Semeion Research Center

Біологічні дані

Набори даних з біологічних систем.

Соціальні

Назва	Опис	Обробка	Розмір	Формат	Задачі	Створення	Посилання	Джерело
Synthetic Fundus Dataset[384]	Фотореалістичні зображення сітківки та сегментації судин. Публічний домен.	2500 зображень з роздільністю 1500*1152 пікселів, корисних для сегментації та класифікації вен і артерій на одному фоні.	2500	Зображення	Класифікація, сегментація	2020	[385]	C. Valenti et al.
EEG Database	Дослідження для вивчення корелятів ЕЕГ генетичної схильності до алкоголізму.	Вимірювання за допомогою 64 електродів, розміщених на шкірі голови, відбираються при частоті 256 Гц (епоха 3,9 мс) протягом 1 секунди.	122	Текст	Класифікація	1999	[386]	H. Begleiter
P300 Interface Dataset	Дані від дев’яти суб’єктів, зібрані за допомогою інтерфейсу «мозок-комп’ютер» на основі P300 для суб’єктів з обмеженими можливостями.	Розділіть на чотири заняття для кожного предмета. Дано код MATLAB.	1,224	Текст	Класифікація	2008	[387][388]	U. Hoffman et al.
Heart Disease Data Set	Приписують пацієнтів із серцевими захворюваннями та без них.	75 атрибутів, наданих для кожного пацієнта з деякими відсутніми значеннями.	303	Текст	Класифікація	1988	[389][390]	A. Janosi et al.
Breast Cancer Wisconsin (Diagnostic) Dataset	Набір даних про особливості утворення грудей. Діагноз ставить лікар.	Наведено 10 ознак для кожного зразка.	569	Текст	Класифікація	1995	[391][392]	W. Wolberg et al.
National Survey on Drug Use and Health	Широкомасштабне дослідження здоров'я та вживання наркотиків у Сполучених Штатах.	Немає	55,268	Текст	Класифікація, регресія	2012	[393]	United States Department of Health and Human Services
Lung Cancer Dataset	Набір даних про рак легенів без визначення атрибутів	Для кожного випадку наведено 56 ознак	32	Текст	Класифікація	1992	[394][395]	Z. Hong et al.
Arrhythmia Dataset	Дані для групи пацієнтів, з яких у деяких спостерігається серцева аритмія.	276 функцій для кожного екземпляра.	452	Текст	Класифікація	1998	[396][397]	H. Altay et al.
Diabetes 130-US hospitals for years 1999–2008 Dataset	Дані про реадмісію за 9 років у 130 американських лікарнях для пацієнтів з цукровим діабетом.	Наведено багато особливостей кожної реадмісії.	100,000	Текст	Класифікація, кластеризація	2014	[398][399]	J. Clore et al.
Diabetic Retinopathy Debrecen Dataset	Характеристики, отримані із зображень очей з діабетичною ретинопатією та без неї.	Вилучено ознаки та діагностовано умови.	1151	Текст	Класифікація	2014	[400][401]	B. Antal et al.
Diabetic Retinopathy Messidor Dataset	Методи оцінки методів сегментації та індексації в області офтальмології сітківки (MESSIDOR)	Характеризує ступінь ретинопатії та ризик розвитку макулярного набряку	1200	Зображення, текст	Класифікація, сегментація	2008	[402][403]	Messidor Project
Liver Disorders Dataset	Дані для людей із захворюваннями печінки.	Для кожного пацієнта наведено сім біологічних ознак.	345	Текст	Класифікація	1990	[404][405]	Bupa Medical Research Ltd.
Thyroid Disease Dataset	10 баз даних пацієнтів із захворюваннями щитоподібної залози.	Немає	7200	Текст	Класифікація	1987	[406][407]	R. Quinlan
Mesothelioma Dataset	Дані пацієнтів з мезотеліомою.	Наведено велику кількість особливостей, включаючи вплив азбесту.	324	TextТекст	Класифікація2016	2016	[408][409]	A. Tanrikulu et al.
Parkinson's Vision-Based Pose Estimation Dataset	2D оцінки пози людини пацієнтів з хворобою Паркінсона, які виконують різноманітні завдання.	Тремтіння камери вилучено з траєкторій.	134	Текст	Класифікація, регресія	2017	[410][411][412]	M. Li et al.
KEGG Metabolic Reaction Network (Undirected) Dataset	Мережа метаболічних шляхів. Дано мережу реакцій і мережу відношень.	Наведено детальні характеристики для кожного вузла мережі та шляху.	65,554	Текст	Класифікація, кластеризація, регресія	2011	[413]	M. Naeem et al.
Modified Human Sperm Morphology Analysis Dataset (MHSMA)	Зображення сперми людини 235 пацієнтів з чоловічим фактором безпліддя, позначені для нормальної або аномальної сперматозоїди акросоми, головки, вакуолі та хвоста.	Обрізаний навколо однієї головки сперматозоїда. Нормалізоване збільшення. Створено розділи для навчання, перевірки та тестування.	1,540	.npy files	Класифікація	2019	[414][415]	S. Javadi and S.A. Mirroshandel

Тварини

Назва	Опис	Обробка	Розмір	Формат	Задачі	Створення	Посилання	Джерело
Abalone Dataset	Фізичні вимірювання вушка. Також вказано погодні умови та місце розташування	Немає	4177	Текст	Регресія	1995	[416]	Marine Research Laboratories – Taroona
Zoo Dataset	Штучний набір даних, що охоплює 7 класів тварин.	Тварини поділяються на 7 категорій, для кожної наведені особливості.	101	Текст	Класифікація	1990	[417]	R. Forsyth
Demospongiae Dataset	Дані про морських губках.	503 губки класу Demosponge описуються різними ознаками.	503	Текст	Класифікація	2010	[418]	E. Armengol et al.
Farm animals data	Інвентаризація даних PLF (корови, свині; розташування, прискорення тощо).	Марковані набори даних.	Список постійно оновлюється	Текст	Класифікація	2020	[419]	V. Bloch
Splice-junction Gene Sequences Dataset	Послідовності генів з’єднання приматів (ДНК) з асоційованою недосконалою теорією домену.	Немає	3190	Текст	Класифікація	1992	[395]	G. Towell et al.
Mice Protein Expression Dataset	Рівні експресії 77 білків виміряли в корі головного мозку мишей.	Немає	1080	Текст	Класифікація, кластеризація	2015	[420][421]	C. Higuera et al.

Гибкий

Назва	Опис	Обробка	Розмір	Формат	Задачі	Створення	Посилання	Джерело
UCI Mushroom Dataset	Ознаки та класифікація грибів	Наведено багато властивостей кожного гриба.	8124	Текст	Класифікація	1987	[422]	J. Schlimmer
Secondary Mushroom Dataset	Ознаки та класифікація грибів	Змодельовані дані з більших і реалістичніших первинних записів грибів. Повністю відтворюваний.	61069	Текст	Класифікація	2020	[423][424]	D. Wagner et al.

Рослини

Назва	Опис	Обробка	Розмір	Формат	Задачі	Створення	Посилання	Джерело
Forest Fires Dataset	Лісові пожежі та їх властивості.	Вилучено 13 ознак кожної пожежі.	517	Текст	Регресія	2008	[425][426]	P. Cortez et al.
Іриси Фішера	Три типи ірисів описуються 4 різними ознаками.	Немає	150	Текст	Класифікація	1936	[427][428]	R. Fisher
Plant Species Leaves Dataset	Шістнадцять зразків листя кожного із ста видів рослин.	Дано дескриптор форми, дрібномасштабне поле та гістограми текстури.	1600	Текст	Класифікація	2012	[429][430]	J. Cope et al.
Soybean Dataset	База даних хворих рослин сої.	Наведено 35 ознак для кожної рослини. Рослини поділяються на 19 категорій.	307	Текст	Класифікація	1988	[431]	R. Michalski et al.
Seeds Dataset	Вимірювання геометричних властивостей ядер трьох різних сортів пшениці.	Немає	210	Текст	Класифікація, кластеризація	2012	[432][433]	Charytanowicz et al.
Covertype Dataset	мДані для прогнозування типу лісистості суворо на основі картографічних змінних.	Наведено багато географічних об’єктів.	581,012	Текст	Класифікація	1998	[434][435]	J. Blackard et al.
Abscisic Acid Signaling Network Dataset	Дані для мережі сигналізації заводу. Мета – визначити набір правил, які керують мережею.	Немає	300	Текст	Причинно-відкриття	2008	[436]	J. Jenkens et al.
Folio Dataset	20 фотографій листя для кожного з 32 видів.	Немає	637	Зображення, текст	Класифікація, виявлення	2015	[437][438]	T. Munisami et al.
Oxford Flower Dataset	Набір даних квітів 17 категорії.	Розділи поїздів/тестів, позначені зображення,	1360	Зображення, текст	Класифікація	2006	[146][439]	M-E Nilsback et al.
Plant Seedlings Dataset	Набір даних 12 категорії саджанців рослин.	Марковані зображення, сегментовані зображення,Марковані зображення, сегментовані зображення,	5544	Зображення	Класифікація, виявлення	2017	[440]	Giselsson et al.
Fruits 360 dataset	База даних із зображеннями 120 фруктів і овочів.	100x100 пікселів, білий фон.	82213	Зображення(jpg)	Класифікація	2017–2019	[441][442]	Mihai Oltean, Horea Muresan

Мікроб

Назва	Опис	Обробка	Розмір	Формат	Задачі	Створення	Посилання	Джерело
Ecoli Dataset	Місця локалізації білків.	Наведено різні особливості місць локалізації білків.	336	Текст	Класифікація	1996	[443][444]	K. Nakai et al.
MicroMass Dataset	Ідентифікація мікроорганізмів за даними мас-спектрометрії.	Різні функції мас-спектрометра.	931	Текст	Класифікація	2013	[445][446]	P. Mahe et al.
Yeast Dataset	Прогнозування клітинної локалізації білків.	Вісім функцій наведено для кожного випадку.	1484	Текст	Класифікація	1996	[447][448]	K. Nakai et al.

Відкриття наркотиків

Назва	Опис	Обробка	Розмір	Формат	Задачі	Створення	Посилання	Джерело
Tox21 Dataset	Прогнозування результатів біологічних аналізів.	Наведено хімічні дескриптори молекул	12707	Текст	Класифікація	2016	[449]	A. Mayr et al.

Дані про аномалії

Назва	Опис	Обробка	Розмір	Формат	Задачі	Створення	Посилання	Джерело
Numenta Anomaly Benchmark (NAB)	Дані впорядковані, з мітками часу, однозначні метрики. Усі файли даних містять аномалії, якщо не зазначено інше.	Немає	50+ files	Значення, розділені комами	Виявлення аномалій	2016 (постійно оновлюється)	[450]	Numenta
Skoltech Anomaly Benchmark (SKAB)	Кожен файл представляє один експеримент і містить одну аномалію. Набір даних являє собою багатоваріантний часовий ряд, зібраний із датчиків, встановлених на тестовому стенді.	Є дві розмітки для проблем виявлення викидів (точкові аномалії) та виявлення точок змін (колективні аномалії).	30+ files (v0.9)	Значення, розділені комами	Виявлення аномалій	2020 (постійно оновлюється)	[451][452]	Iurii D. Katser and Vyacheslav O. Kozitsin
On the Evaluation of Unsupervised Outlier Detection: Measures, Datasets, and an Empirical Study	Більшість файлів даних адаптовано з даних репозитарію машинного навчання UCI, деякі зібрані з літератури.	обробляються відсутні значення, лише числові атрибути, різні відсотки аномалій, мітки	1000+ files	ARFF	Виявлення аномалій	2016 (можливо, оновлено новими наборами даних та/або результатами)	[453]	Campos et al.

Відповіді на питання

Цей розділ містить набори даних, які мають справу зі структурованими даними.

Назва	Опис	Обробка	Розмір	Формат	Задачі	Створення	Посилання	Джерело
DBpedia Neural Question Answering (DBNQA) Dataset	Велика колекція Question to SPARQL, спеціально розроблена для відповіді на нейронні запитання відкритого домену через базу знань DBpedia.	Цей набір даних містить велику колекцію відкритих шаблонів Neural SPARQL та екземплярів для навчання машин Neural SPARQL; він був попередньо оброблений напівавтоматичними інструментами анотації, а також трьома експертами SPARQL.	894,499	Пари питання-запит	Відповідь на запитання	2018	[454][455]	Hartmann, Soru, and Marx et al.
Vietnamese Question Answering Dataset (UIT-ViQuAD)	Велика колекція в'єтнамських питань для оцінки моделей MRC.	Цей набір даних містить понад 23 000 створених людьми пар питань і відповідей на основі 5 109 уривків із 174 в’єтнамських статей з Вікіпедії.	23,074	Пари питання-запит	Відповідь на запитання	2020	[456]	Nguyen et al.
Vietnamese Multiple-Choice Machine Reading Comprehension Corpus(ViMMRC)	Колекція в’єтнамських питань з кількома відповідями для оцінки моделей MRC.	Цей корпус включає 2783 в’єтнамські запитання з кількома відповідями.	2,783	Пари питання-запит	Відповідь на запитання/Машинне розуміння прочитаного	2020	[457]	Nguyen et al.

Багатоваріантні дані

Набори даних, що складаються з рядків спостережень і стовпців атрибутів, що характеризують ці спостереження. Зазвичай використовується для регресійного аналізу або класифікації, але можуть використовуватися й інші типи алгоритмів. Цей розділ містить набори даних, які не вписуються в вищезазначені категорії.

Фінанси

Назва	Опис	Обробка	Розмір	Формат	Задачі	Створення	Посилання	Джерело
Dow Jones Index	Щотижневі дані запасів за І-ІІ квартали 2011 року.	Розраховані значення включали такі, як відсоткова зміна та лаги.	750	Значення, розділені комами	Класифікація, регресія, часові ряди	2014	[458][459]	M. Brown et al.
Statlog (Australian Credit Approval)	Заявки на кредитні картки прийняті або відхилені та атрибути програми.	Назви атрибутів видаляються, а також ідентифікаційна інформація. Фактори були перемарковані.	690	Значення, розділені комами	Класифікація	1987	[460][461]	R. Quinlan
eBay auction data	Дані аукціону з різних об’єктів eBay.com на аукціонах різної тривалості	Містить усі ставки, ідентифікатор ставки, час ставок та ціни відкриття.	~ 550	Текст	Регресія, класифікація	2012	[462][463]	G. Shmueli[en] et al.
Statlog (German Credit Data)	Бінарна класифікація кредиту на «хороша» або «погана» з багатьма ознаками	Наведено різні фінансові особливості кожної людини.	690	Текст	Класифікація	1994	[464]	H. Hofmann
Bank Marketing Dataset	Дані великої маркетингової кампанії, проведеної великим банком.	Наведено багато атрибутів клієнтів, до яких звертаються. Якщо клієнт підписався на банк також надається.	45,211	Текст	Класифікація	2012	[465][466]	S. Moro et al.
Istanbul Stock Exchange Dataset	Декілька фондових індексів відстежувалися майже два роки.	Немає	536	Текст	Класифікація, регресія	2013	[464][467]	O. Akbilgic
Default of Credit Card Clients	Дані про дефолт для тайванських кредиторів.	Для кожного облікового запису надаються різні функції.	30,000	Текст	Класифікація	2016	[468][469]	I. Yeh

Погода

Назва	Опис	Обробка	Розмір	Формат	Задачі	Створенная	Посилання	Джерело
Cloud DataSet	Дані про 1024 різних хмарах.	Вилучено характеристики зображення.	1024	Текст	Класифікація, кластеризація	1989	[470]	P. Collard
El Nino Dataset	Океанографічні та приземні метеорологічні показання, отримані з серії буїв, розташованих по всій екваторіальній частині Тихого океану.	На кожному буї вимірюється 12 погодних атрибутів.	178080	Текст	Регресія	1999	[471]	Pacific Marine Environmental Laboratory[en]
Greenhouse Gas Observing Network Dataset	Часовий ряд концентрацій парникових газів у 2921 осередку сітки в Каліфорнії створений за допомогою моделювання погоди.	Немає	2921	Текст	Регресія	2015	[472]	D. Lucas
Atmospheric CO2 from Continuous Air Samples at Mauna Loa Observatory	Безперервні проби повітря на Гаваях, США. 44 роки рекордів.	Немає	44 years	Текст	Регресія	2001	[473]	Mauna Loa Observatory[en]
Ionosphere Dataset	Радарні дані з іоносфери. Завдання — розділити на хороші та погані результати радіолокації.	Немає	351	Текст	Класифікація	1989	[407][474]	Johns Hopkins University
Ozone Level Detection Dataset	Два набори даних про рівень озону на землі.	Надано багато функцій, включаючи погодні умови на момент вимірювання.	2536	Текст	Класифікація	2008	[464][475]	K. Zhang et al.

Перепис населення

Назва	Опис	Обробка	Розмір	Формат	Задачі	Створенная	Посилання	Джерело
Adult Dataset	Дані перепису 1994 року, що містять демографічні ознаки дорослих та їхні доходи.	Очищено та анонімно.	48,842	Значення, розділені комами	Класифікація	1996	[476]	United States Census Bureau
Census-Income (KDD)	Зважені дані перепису з поточних опитувань населення 1994 та 1995 років.	Розділіть на навчальні та тестові набори.	299,285	Значення, розділені комами	Класифікація	2000	[477][478]	United States Census Bureau
IPUMS Census Database	Дані перепису з районів Лос-Анджелеса та Лонг-Біч.	Немає	256,932	Текст	Класифікація, регресія	1999	[479]	IPUMS[en]
US Census Data 1990	Часткові дані перепису населення США 1990 року.	Результати рандомізовані та вибрані корисні атрибути.	2,458,285	Текст	Класифікація, регресія	1990	[480]	United States Census Bureau

Транзит

Назва	Опис	Обробка	Розмір	Формат	Задачі	Створення	Посилання	Джерело
Bike Sharing Dataset	Погодинний і добовий підрахунок прокату велосипедів у великому місті.	Надано багато функцій, включаючи погоду, тривалість подорожі тощо.	17,389	Текст	Регресія	2013	[481][482]	H. Fanaee-T
New York City Taxi Trip Data	Дані про подорожі жовтих і зелених таксі в Нью-Йорку.	Вказує місця посадки та висадки, тарифи та інші деталі поїздок.	6 years	Текст	Класифікація, кластеризація	2015	[483]	New York City Taxi and Limousine Commission[en]
Taxi Service Trajectory ECML PKDD	Траєкторії всіх таксі у великому місті.	Надано багато функцій, включаючи точки початку та зупинки.	1,710,671	Текст	Кластеризація, причинно-наслідкове відкриття	2015	[484][485]	M. Ferreira et al.
METR-LA	Швидкість від петлеві детекторів на шосе округу Лос-Анджелес..	Середня швидкість за 5 хвилин.	7 094 304 з 207 датчиків і 34 272 кроків	Значення, розділені комами	Регресія, прогнозування	2014	[486]	Jagadish et al.
PeMS	Швидкість, потік, зайнятість та інші показники від петлевих детекторів та інших датчиків на автостраді штату Каліфорнія, США.	Показник зазвичай зводиться до середнього з 5-хвилинними часовими кроками.	39 000 індивідуальних детекторів, кожен із яких містить ряди часу	Значення, розділені комами	Регресія, прогнозування, прогнозування, інтерполяція	(оновлено в режимі реального часу)	[487]	California Department of Transportation

Інтернет

Назва	Опис	Обробка	Розмір	Формат	Задачі	Створення	Посилання	Джерело
Webpages from Common Crawl 2012	Велика колекція веб-сторінок і спосіб їх з’єднання за допомогою гіперпосилань	Немає	3.5B	Текст	кластеризація, класифікація	2013	[488]	V. Granville
Internet Advertisements Dataset	Набір даних для прогнозування того, чи є дане зображення рекламою чи ні.	Функції кодують геометрію оголошень і фраз, що зустрічаються в URL-адресі.	3279	Текст	Класифікація	1998	[464][489]	N. Kushmerick
Internet Usage Dataset	Загальна демографічна характеристика користувачів Інтернету.	Немає	10,104	Текст	Класифікація, кластеризація	1999	[490]	D. Cook
URL Dataset	120 днів URL-адрес великої конференції.	Наведено багато функцій кожної URL-адреси.	2,396,130	Текст	Класифікація	2009	[491][492]	J. Ma
Phishing Websites Dataset	Набір даних фішингових веб-сайтів.	МНаведено багато функцій кожного сайту.	2456	Текст	Класифікація	2015	[493]	R. Mustafa et al.
Online Retail Dataset	Онлайн-транзакції для британського інтернет-магазину.	Дані деталі кожної транзакції.	541,909	Текст	Класифікація, кластеризація	2015	[494]	D. Chen
Freebase Simple Topic Dump	Freebase — це онлайн-інструмент структурування всіх людських знань.	Теми з Freebase були вилучені.	багато	Текст	Класифікація, кластеризація	2011	[464][495]	Freebase
Farm Ads Dataset	Текст реклами ферми з сайтів. Надається бінарне схвалення або відхилення власниками вмісту.	Розраховані SVMlight розріджені вектори текстових слів в оголошеннях.	4143	Текст	Класифікація	2011	[496][497]	C. Masterharm et al.

Ігри

Назва	Опис	Обробка	Розмір	Формат	Задачі	Створення	Посилання	Джерело
Poker Hand Dataset	5 карткових рук із стандартної колоди з 52 карт.	Надаються атрибути кожної руки, включаючи покерні руки, утворені картами, які вона містить.	1,025,010	Текст	Регресія, класифікація	2007	[498]	R. Cattral
Connect-4 Dataset	Містить усі дозволені 8-шарові позиції в грі Connect-4, в якій жоден із гравців ще не виграв і в якій наступний хід не вимушений.	Немає	67,557	Текст	Класифікація	1995	[499]	J. Tromp
Chess (King-Rook vs. King) Dataset	База даних фіналу для білого короля та лади проти чорного короля.	Немає	28,056	Текст	Класифікація	1994	[500][501]	M. Bain et al.
Chess (King-Rook vs. King-Pawn) Dataset	King+Rook versus King+Pawn on a7.	Немає	3196	Текст	Класифікація	1989	[501]	R. Holte
Tic-Tac-Toe Endgame Dataset	Бінарна класифікація умов виграшу в хрестики-нулики.	Немає	958	Текст	Класифікація	1991	[502]	D. Aha

Інші багатоваріантості

Назва	Опис	Обробка	Розмір	Формат	Задачі	Створення	Посилання	Джерело
Housing Data Set	Середні значення будинку в Бостоні з пов’язаними атрибутами будинку та району.	Немає	506	Текст	Регресія	1993	[503]	D. Harrison et al.
The Getty Vocabularies	структурована термінологія художньої та іншої матеріальної культури, архівні матеріали, візуальні сурогати та бібліографічні матеріали.	Немає	багато	Текст	Класифікація	2015	[504]	Getty Center
Yahoo! Front Page Today Module User Click Log	Журнал кліків користувача для статей новин, які відображаються на вкладці "Вибрані" модуля Today на Yahoo! Титульна сторінка.	Сумісний аналіз з білінійною моделлю.	45 811 883 відвідування користувачів	Текст	Регресія, кластеризація	2009	[505][506]	Chu et al.
British Oceanographic Data Centre	Біологічні, хімічні, фізичні та геофізичні дані для океанів. Відстежено 22 тис. змінних.	Різні.	22 тис. змінних, багато екземплярів	Текст	Регресія, кластеризація	2015	[507]	British Oceanographic Data Centre[en]
Congressional Voting Records Dataset	Дані голосування всіх представників США з 16 питань.	Детально записуються про використання програм кожним користувачем.	435	Текст	Класифікація	1987	[508]	J. Schlimmer
Entree Chicago Recommendation Dataset	Запис взаємодії користувачів із системою рекомендацій Entree Chicago.	Детально записуються дані про використання програми кожним користувачем.	50,672	Текст	Регресія, рекомендація	2000	[509]	R. Burke
Insurance Company Benchmark (COIL 2000)	Інформація про клієнтів страхової компанії.	Багато функцій кожного клієнта та послуг, якими вони користуються.	9,000	Текст	Регресія, класифікація	2000	[510][511]	P. van der Putten
Nursery Dataset	Дані від абітурієнтів до дитячих садків.	Включаються дані про сім'ю заявника та різні інші фактори.	12,960	Текст	Класифікація	1997	[512][513]	V. Rajkovic et al.
University Dataset	Дані, що описують атрибути великої кількості університетів.	Немає	285	Текст	Класифікація, кластеризація	1988	[514]	S. Sounders et al.
Blood Transfusion Service Center Dataset	Дані центру переливання крові. Надає дані про швидкість повернення донорів, частоту тощо.	Немає	748	Текст	Класифікація	2008	[515][516]	I. Yeh
Record Linkage Comparison Patterns Dataset	Великий набір записів. Завдання — зв’язати між собою відповідні записи.	Процедура блокування застосовується для вибору лише певних пар записів.	5,749,132	Текст	Класифікація	2011	[517][518]	University of Mainz
Nomao Dataset	Nomao збирає дані про місця з багатьох різних джерел. Завдання — виявити предмети, які описують одне й те саме місце.	Позначені копії.	34,465	Текст	Класифікація	2012	[519][520]	Nomao Labs
Movie Dataset	Дані для 10 000 фільмів.	Для кожного фільму надано кілька функцій.	10,000	Текст	Класифікація, кластеризація	1999	[521]	G. Wiederhold
Open University Learning Analytics Dataset	Інформація про студентів та їх взаємодію з віртуальним навчальним середовищем.	Жодного	~ 30,000	Текст	Класифікація, кластеризація, регресія	2015	[522][523]	J. Kuzilek et al.
Mobile phone records	Телекомунікаційна діяльність та взаємодії	Агрегація за клітинками географічної сітки та кожні 15 хвилин.	великий	Текст	Класифікація, кластеризація, регресія	2015	[524]	G. Barlacchi et al.

Кураторські сховища наборів даних

Оскільки набори даних бувають у безлічі форматів і іноді можуть бути важкими у використанні, була проведена значна робота в організації та стандартизації формату наборів даних, щоб полегшити їх використання для дослідження машинного навчання.

• OpenML:^[525] веб-платформа з Python, R, Java та іншими API для завантаження сотень наборів даних машинного навчання, оцінки алгоритмів у наборах даних і порівняння продуктивності алгоритму з десятками інших алгоритмів.
• PMLB:^[526] велике сховище контрольних наборів даних для оцінки контрольованих алгоритмів машинного навчання. Забезпечує набори даних класифікації та регресії в стандартизованому форматі, які доступні через API Python.
• Metatext NLP: веб-сховище https://metatext.io/datasets, яке обслуговується спільнотою, містить майже 1000 контрольних наборів даних і збільшується. Надає багато завдань від класифікації до QA, а також різні мови від англійської, португальської до арабської.
• Appen^[en]: Off the Shelf and Open Source Datasets, розміщені та підтримувані компанією. Ці біологічні, графічні, фізичні, відповіді на запитання, сигнальні, звукові, текстові та відеоресурси налічують понад 250 і їх можна застосувати до більш ніж 25 різних випадків використання^[527].^[527]

Дивись також

• Порівняння програмного забезпечення глибокого навчання
• Список інструментів ручного анотування зображень^[en]
• Список біологічних баз даних^[en]