10 مجموعه داده برتر برای استفاده در پروژه‌های ML پایتون

مجموعه داده‌ها (DataSets) برای استفاده موفقیت‌آمیز از پروژه‌های یادگیری ماشین (ML) پایتون بسیار مهم هستند.

هنرجویان و متخصصانِ مشتاقِ کار در فناوری‌های پیشرفته، تمرکز خاصی بر پروژه‌های یادگیری ماشین پایتون دارند. این نوع از پروژه‌های پایتون می‌توانند به تجربه عملی یادگیری ماشین و همچنین کار با زبان برنامه‌نویسی پرطرفداری مثل پایتون، بیافزایند. اما گاهی اوقات آن‌ها برای کسب موفقیت در ایجاد این پروژه‌ها، به دنبال چندین مجموعه داده‌ هستند. این پایگاه‌های اطلاعاتی پروژه ، قابل دسترسی در اینترنت هستند. و این باعث می‌شود هنرجویان در زمان کار احساس خستگی نکنند.

بنابراین، بیایید ده مجموعه داده برتر برای پروژه‌های یادگیری ماشین پایتون در سال 2022 را بررسی کنیم تا دانش عمیق و موثری برای این کار به دست آوریم.

Enron electronic mail

Enron electronic mail یکی از ده مجموعه داده برتر یادگیری ماشین پایتون است که تقریبا 0.5 میلیون پیام را در خود جای داده است. این مجموعه از همان ابتدا به صورت عمومی در دسترس بود و مجموعه‌ای محبوب برای پردازش زبان خالص است. این مجموعه داده پروژه برای کمک به تکمیل چندین نوع پروژه  یادگیری ماشین پایتون، قابل استفاده است.

Chatbot intents

Chatbot intents یک مجموعه داده محبوب برای پروژه‌های یادگیری ماشین پایتون است که در راستای طبقه‌بندی، شناسایی و توسعه چت‌بات کارایی دارد. این مجموعه داده به عنوان یک فایل JSON با برچسب‌های جداگانه از لیستی از الگوهای پروژه‌های یادگیری ماشین پایتون در دسترس است.

Label-studio

Label-studio یک برچسب‌گذاری داده اپن سورس برای پروژه‌های مختلف در زمینه یادگیری ماشین و پایتون است. هنرجویان و متخصصان شاغل در این زمینه می‌توانند برچسب‌گذاری‌های مختلفی را با فرمت‌های داده متعدد به عنوان مجموعه داده پروژه  انجام دهند. همچنین می‌توان آن را با مدل‌های یادگیری ماشین ادغام کرد تا پیش‌بینی‌هایی را برای برچسب‌ها و یادگیری فعال ارائه دهد.

Doccano Datasets

Doccano یک مجموعه داده پروژه معروف برای پروژ‌های یادگیری ماشین پایتون است که به عنوان یک ابزار برچسب گذاری داده با وضعیت اپن سورس مورد استفاده قرار می‌گیرد. انواع مختلفی از برچسب‌گذاری با انواع مختلف قالب‌های داده وجود دارد. این مجموعه داده ویژگی‌های جذابی را برای برچسب‌گذاری دنباله‌ها، دنباله‌های تابع به تابع، طبقه‌بندی متون و بسیاری دیگر از موارد ارائه می‌دهد.

Kaggle Datasets

Kaggle محبوب‌ترین مجموعه دیتا برای پروژه‌های یادگیری ماشین پایتون است. هنرجویان برای کاوش، تجزیه و تحیلی و به اشتراک گذاری داده‌ها با کیفیت بالا از این مجموعه استفاده می‌کنند. کاگل چندین دسته 10000تای از مجموعه داده را برای تکمیل موفقیت پروژه‌ها و ارزش‌افزایی آن‌ها ارائه می‌دهد.

AWS Datasets

مجموعه داده‌های AWS در زمینه پوشش هزینه‌های ذخیره‌سازی، برای مجموعه‌‌های بهینه‌سازی شده ابری و باارزشی که در دسترس عموم قرار دارند، شناخته شده‌اند. این مجموعه به کارمندان پروژه کمک می‌کند تا با در دسترس قرار دادن آن برای پروژه‌های یادگیری ماشین پایتون، دسترسی به داده‌های بلادرنگ را دموکراتیزه کنند.  

World Bank

مجموعه داده‌های World Bank (بانک جهانی) از محبوبیت بالایی در زمینه ارائه داده‌های لازم برای ساخت پروژه‌های یادگیری ماشین پایتون برخوردار هستند. این مجموعه به آمارگیری باکیفیت داده‌ها  برای استراتژی توسعه کمک می‌کند. گروه داده توسعه به دلیل هماهنگی داده‌ها با تعدادی از مجموعه داده‌های جزئی و مالی شناخته شده است.

UCI machine learning

UCI machine learning (یادگیری ماشین UCI) به عنوان مخزن یادگیری ماشین هم شناخته می‌شود که حدود 622 dataset برای جامعه توسعه دهندگان یادگیری ماشین فراهم می‌کند. هنرجویان می‌توانند از این مجموعه داده پروژه، به منظور ایجاد و پرزنت یک پروژه موفق برای استخدام در شرکت‌های برجسته تکنولوژی، در سرتاسر جهان استفاده کنند.

GTSRB

GTSRB یا معیار تشخیص علائم ترافیک آلمانی، از بابت متشکل بودن از 43 کلاس علائم ترافیکی و با 39209 داده آموزشی برای چندین پروژه شناخته شده است. در GTSRB دو مجموعه داده به‌عنوان یک معیار تشخیص بزرگ و چنددسته‌ای برای مشکلات بینایی کامپیوتر و یادگیری ماشین وجود دارد.

Iris

Iris یکی از ده مجموعه داده برتر پروژه یادگیری ماشین پایتون است. سه نوع Iris (عنبیه) مختلف وجود دارد که به نام‌های Virginica، Vericolour و Setosa شناخته می‌شوند. این مجموعه، یک مجموعه داده چندمتغیره با چهار ویژگی مختلف مانند طول، عرض و بسیاری از موارد دیگر است. آیریس برای موارد آزمایشی معمولی به منظور طبقه‌بندی‌های آماری مفید است.

منبع: analyticsinsight