首先，在搜索數據集時要記住這幾點：
- 數據集不應該是混亂的，因為你不希望花費大量時間來清理數據。
- 數據集不應包含太多行或列，要很容易使用。
- 數據越乾淨越好，因為清理大型數據集可能非常耗時。
- 這個數據集應該可以回答一個非常有趣的問題。
話不多說，開始吧！
數據集查找器
Kaggle：一個包含各種外部貢獻數據集的數據科學網站。你可以在其主列表中找到各種合適的數據集，從拉麵評級到籃球數據，甚至是西雅圖寵物許可證，應有盡有。
https://www.kaggle.com/
UCI 機器學習庫：網絡上最古老的數據集源之一，是尋找有趣的數據集的第一站。雖然這裡的數據集是用戶貢獻的，因此清潔度不一，但絕大多數都是乾淨的。你可以直接從 UCI 機器學習庫下載數據，無需註冊。
http://mlr.cs.umass.edu/ml/
一般數據集
政府公開數據集
Data.gov ：該網站可以從多個美國政府機構下載數據。數據範圍從政府預算到學校績效分數。但請注意：大部分數據有待進一步研究。
https://www.data.gov/
食物環境地圖集：包含當地食物選擇如何影響美國飲食的數據。
https://catalog.data.gov/dataset/food-environment-atlas-f4a22
學校系統財務：對美國學校系統財務狀況的調查。
https://catalog.data.gov/dataset/annual-survey-of-school-system-finances
慢性病數據：美國各地區慢性病指標數據。
https://catalog.data.gov/dataset/u-s-chronic-disease-indicators-cdi-e50c9
美國國家教育統計中心：來自美國和世界各地的教育機構和教育人口統計數據。
https://nces.ed.gov/
英國數據服務：英國最大的社會、經濟和人口數據集。
https://www.ukdataservice.ac.uk/
Data USA：美國公共數據的全面可視化。
http://datausa.io/
金融與經濟
Quandl：經濟和金融數據很好的數據源，有助於建立預測經濟指標或股票價格模型。
https://www.quandl.com/
世界銀行開放數據：涵蓋全球人口統計數據和大量經濟和發展指標的數據集。
https://data.worldbank.org/
國際貨幣基金組織數據：國際貨幣基金組織公佈的有關國際金融、債務利率、外匯儲備、商品價格和投資的數據。
https://www.imf.org/en/Data
金融時報市場數據：來自世界各地的金融市場最新信息，包括股票價格指數、商品和外匯。
https://markets.ft.com/data/
谷歌趨勢：檢查和分析世界各地的互聯網搜索活動和熱門新聞報道的數據。
https://trends.google.com/trends/?q=google&ctab=0&geo=all&date=all&sort=0
美國經濟協會（AEA）：尋找美國宏觀經濟數據的良好來源。
https://www.aeaweb.org/resources/data/us-macro-regional
機器學習數據集
圖像
Labelme：帶圖像標註的大型數據集。
http://labelme.csail.mit.edu/Release3.0/browserTools/php/dataset.php
ImageNet：業界最新算法圖像數據集。根據 WordNet 層次結構進行組織，其中層次結構的每個節點由數百和數千個圖像描述。
http://image-net.org/
LSUN：有眾多輔助任務的場景理解（房間佈局估計、特點預測等）
http://lsun.cs.princeton.edu/2016/
MS COCO：通用圖像理解和字幕。
http://mscoco.org/
COIL100：100 個不同的物體，在 360 度旋轉的每個角度成像。
http://www1.cs.columbia.edu/CAVE/software/softlib/coil-100.php
視覺基因組：非常詳細的視覺知識庫，帶有~100K 圖像的字幕。
http://visualgenome.org/
谷歌的開放圖像：在知識共享版權下的 900 萬個圖像網址集合，“超過 6000 個類別標籤註釋”。
https://ai.googleblog.com/2016/09/introducing-open-images-dataset.html
Labelled Faces in the Wild：13,000 張人臉標記圖像，用於開發人臉識別應用程序。
http://vis-www.cs.umass.edu/lfw/
斯坦福狗數據集：包含 20,580 張圖片和 120 種不同的狗品種。
http://vision.stanford.edu/aditya86/ImageNetDogs/
室內場景識別：一種非常特殊的數據集，因為大多數場景識別模型都最好建立在“室外”，這個數據集非常實用。包含 67 個室內類別，總共 15620 張圖像。
http://web.mit.edu/torralba/www/indoor.html
情緒分析
多域情緒分析數據集：一個有點老舊的數據集，其中包含來自亞馬遜的產品評論。
http://www.cs.jhu.edu/~mdredze/datasets/sentiment/
IMDB 評論：一個較舊的，相對較小的二元情緒分類數據集，包含 25,000 個電影評論。
http://ai.stanford.edu/~amaas/data/sentiment/
斯坦福情緒樹庫：帶有情感註釋的標準情緒數據集。
http://nlp.stanford.edu/sentiment/code.html
Sentiment140：一個流行的數據集，使用 160,000 條預先刪除表情符號的推文。
http://help.sentiment140.com/for-students/
Twitter 美國航空公司情緒：2015 年 2 月美國航空公司的 Twitter 數據，分類為正面、負面和中性推文。
https://www.kaggle.com/crowdflower/twitter-airline-sentiment
自然語言處理
安然數據集：來自安然高級管理層的電子郵件數據，以文件夾形式分類存放。
https://www.cs.cmu.edu/~./enron/
亞馬遜評論：包含亞馬遜 18 年來約 3500 萬條評論。數據包括產品和用戶信息、評級和明文審核。
https://snap.stanford.edu/data/web-Amazon.html
Google Books Ngrams：Google 圖書中的一系列文字。
https://aws.amazon.com/datasets/google-books-ngrams/
Blogger Corpus：收集了來自 blogger.com 的 681288 篇博文。每個博客至少包含 200 個常用英語單詞。
http://u.cs.biu.ac.il/~koppel/BlogCorpus.htm
維基百科鏈接數據：維基百科全文。該數據集包含來自 400 多萬篇文章的近 19 億個單詞。你可以按段落、短語或段落本身的一部分進行搜索。
https://code.google.com/archive/p/wiki-links/downloads
Gutenberg 電子書列表：Project Gutenberg 的電子書註釋列表。
http://www.gutenberg.org/wiki/Gutenberg:Offline_Catalogs
加拿大議會議事錄：來自第 36 屆加拿大議會記錄的 130 萬對文本。
http://www.isi.edu/natural-language/download/hansard/
Jeopardy：來自有獎競猜節目 Jeopardy 的超過 200,000 個問題歸檔。
https://www.reddit.com/r/datasets/comments/1uyd0t/200000_jeopardy_questions_in_a_json_file/
英語短信垃圾郵件集：由 5574 條英文短信垃圾郵件組成的數據集。
http://www.dt.fee.unicamp.br/~tiago/smsspamcollection/
Yelp 評論：Yelp 發佈的一個開放數據集，包含超過 500 萬條評論。
https://www.yelp.com/dataset
UCI 垃圾郵件集：一個大型垃圾郵件數據集，對垃圾郵件過濾非常有用。
https://archive.ics.uci.edu/ml/datasets/Spambase
更詳細列表：
https://gengo.ai/datasets/the-best-25-datasets-for-natural-language-processing/
自動駕駛
Berkeley DeepDrive BDD100k：目前是自動駕駛 AI 的最大數據集。包含超過 100000 個視頻，包括一天中不同時段和天氣條件下超過 1100 小時的駕駛體驗。帶註釋的圖像來自紐約和舊金山地區。
http://bdd-data.berkeley.edu/
百度 Apolloscapes：大型數據集，定義了 26 種不同的語義項目，如汽車、自行車、行人、建築物、路燈等。
http://apolloscape.auto/
Comma.ai ：超過 7 小時的高速公路駕駛數據。細節包括汽車的速度、加速度、轉向角和 GPS 座標。
https://archive.org/details/comma-dataset
牛津的機器人汽車：在英國牛津的同一條路線重複行駛 100 多次、耗時一年多收集的數據集。該數據集包含天氣、交通和行人的不同組合，以及建築和道路工程等長期變化。
http://robotcar-dataset.robots.ox.ac.uk/
城市景觀數據集：一個大型數據集，記錄 50 個不同城市的城市街景。
https://www.cityscapes-dataset.com/
CSSAD 數據集：此數據集對於自動駕駛車輛的感知和導航非常有用。但該數據集嚴重偏向發達國家的道路情況。
http://aplicaciones.cimat.mx/Personal/jbhayet/ccsad-dataset
KUL 比利時交通標誌數據集：比利時法蘭德斯地區數以千計的物理交通標誌，有超過 10000 多個交通標誌註釋。
http://www.vision.ee.ethz.ch/~timofter/traffic_signs/
麻省理工學院實驗室：在 AgeLab 收集的 1000 多個小時多傳感器駕駛數據集的樣本。
http://lexfridman.com/automated-synchronization-of-driving-data-video-audio-telemetry-accelerometer/
LISA：智能和安全汽車實驗室，加州大學聖地亞哥分校數據集：該數據集包括交通標誌、車輛檢測、交通信號燈和軌跡模式。
http://cvrr.ucsd.edu/LISA/datasets.html
原文鏈接：
https://gengo.ai/datasets/the-50-best-free-datasets-for-machine-learning/
閱讀更多 大數據技術實戰 的文章
