相應之下,目前對於海量數據處理人才的需求也在不斷增多,此類人才可謂炙手可熱!越來越多的開發者把目光轉移到海量數據的處理上。但是不是所有人都能真正接觸到,或者有機會去處理海量數據的,所以就需要一些公開的海量數據集來研究。
在Quora上有人就問到,如何獲取海量數據集。此問題得到了很多人的關注。具體可以看看回答,數據集的種類多種多樣,有化學分析,基因遺傳等等,從中你肯定能得到自己想要個數據集。
Where can I get large datasets open to the public?
首先說說幾個收集數據集的網站:
1、Public Data Sets on Amazon Web Services (AWS)
http://aws.amazon.com/datasets
Amazon從2008年開始就爲開發者提供幾十TB的開發數據。
2、Yahoo! Webscope
http://webscope.sandbox.yahoo.com/index.php
3、Konect is a collection of network datasets
http://konect.uni-koblenz.de/
4、Stanford Large Network Dataset Collection
http://snap.stanford.edu/data/index.html
再就是說說幾個跟互聯網有關的數據集:
1、Dataset for "Statistics and Social Network of YouTube Videos"
http://netsg.cs.sfu.ca/youtubedata/
2、1998 World Cup Web Site Access Logs
http://ita.ee.lbl.gov/html/contrib/WorldCup.html
這個是1998年世界盃期間的數據集。從1998/04/26 到 1998/07/26 的92天中,發生了 1,352,804,107次請求。
3、Page view statistics for Wikimedia projects
http://dammit.lt/wikistats/
4、AOL Search Query Logs - RP
http://www.researchpipeline.com/mediawiki/index.php?title=AOL_Search_Query_Logs
5、livedoor gourmet
http://blog.livedoor.jp/techblog/archives/65836960.html
海量圖像數據集:
1、ImageNet
http://www.image-net.org/
包含1400萬的圖像。
2、Tiny Images Dataset
http://horatio.cs.nyu.edu/mit/tiny/data/index.html
包含8000萬的32x32圖像。
3、 MirFlickr1M
http://press.liacs.nl/mirflickr/
Flickr中的100萬的圖像集。
4、 CoPhIR
http://cophir.isti.cnr.it/whatis.html
Flickr中的1億600萬的圖像
5、SBU captioned photo dataset
http://dsl1.cewit.stonybrook.edu/~vicente/sbucaptions/
Flickr中的100萬的圖像集。
6、Large-Scale Image Annotation using Visual Synset(ICCV 2011)
http://cpl.cc.gatech.edu/projects/VisualSynset/
包含2億圖像
7、NUS-WIDE
http://lms.comp.nus.edu.sg/research/NUS-WIDE.htm
Flickr中的27萬的圖像集。
8、SUN dataset
http://people.csail.mit.edu/jxiao/SUN/
包含13萬的圖像
9、MSRA-MM
http://research.microsoft.com/en-us/projects/msrammdata/
包含100萬的圖像,23000視頻
10、TRECVID
http://trecvid.nist.gov/
Stack Overflow Dump Files
7.3G stackoverflow.com-Posts.7z
573.1K stackoverflow.com-Tags.7z
153.0M stackoverflow.com-Users.7z
2.2G stackoverflow.com-Comments.7z
截止目前好像還沒有國內的企業或者組織開放自己的數據集。希望也能有企業開發自己的數據集給研究人員使用,從而推動海量數據處理在國內的發展!
2014/07/07 雅虎發佈超大Flickr數據集 1億的圖片+視頻
http://yahoolabs.tumblr.com/post/89783581601/one-hundred-million-creative-commons-flickr-images-for
100多個有趣的數據集
http://www.csdn.net/article/2014-06-06/2820111-100-Interesting-Data-Sets-for-Statistics