东华大学图书馆

新闻公告

疫期研学丨资源推介之互联网机器学习数据库（中）

基于开源协议，慧源平台“互联网机器学习数据库”集中揭示了26个来自Kaggle的开源数据集。而提到大名鼎鼎的 Kaggle（https://www.kaggle.com/），你一定不陌生吧！它是由联合创始人、首席执行官Anthony Goldbloom于2010年在墨尔本正式创立，主要为公司和数据科学家提供举办机器学习竞赛、托管数据库、编写和分享代码的一个平台。目前平台已经吸引了80万名数据科学家。在慧源平台，你既能看到这26个数据集的中文元数据信息，同时还可以很方便地查找并下载你所需的数据集。

本期将重点介绍其中9个数据集，快来看看有没有你需要的那个ta吧！

数据集介绍（中）

1 1908年以来空难数据

数据集来自：Socrata，收集了从1908年至今全世界空难的完整历史数据，包含空难发生的时间、地点、机型、机上载员和遇难人数等数据。

2 2016年美国总统选举辩论数据

数据集来自：the University of California，收集了2016年第一季举行的每次民主党和共和党以及共和党Undercard辩论的数据，包含了辩论者、辩论记录、时间、地点、党派等字段。

3 美国假新闻数据

数据集来自：Megan Risdal，收集了由丹尼尔·西拉德斯基（Daniel Sieradski）的BS Detector Chrome扩展程序标记为“ bullshit”的244个网站所抓取的假新闻的文本和元数据。

4 斯坦福问答数据

数据集来自：Stanford University，Stanford Question answer Dataset（SQuAD) 是一个全新的阅读理解数据集，由众包工作者根据维基百科文章提出的问题组成，其中每个问题的答案都对应阅读文章的一段文本。SQuAD 包含 500 多篇文章的 10 万个以上的问答对。

5 某人基因序列数据

数据集来自：Zeeshan-ul-hassan Usmani，为他的DNA遗传基因序列原始数据，以23andMe作为DNA表型SNP。

6 历史棒球数据

数据集来自：Lahman’s Baseball Database，其中包含美国职业棒球大联盟（Major League Baseball）从1871年到2015年的完整击球和投球统计数据，以及守备数据、排名、球队、球场、球员、奖励、季后赛数据等。

7 2015年航班延误和取消数据

数据集来自：U.S. Department of Transportation's (DOT) Bureau，包含2015年延误和取消的航班和机场数据。字段包括航班代码、名称、时间、机场代码、名称、航班延误或取消的原因等。

8 美国H1-B签证申请数据（2011-2016）

数据集来自：Office of Foreign Labor Certification (OFLC) ，包含2011-2016年的H-1B申请数据，总共约有300万条记录，H-1B是美国为外国人提供的非移民工作签证。字段包括申请签证状态、雇主名称、工作地点坐标、职务、工资、职业代码和申请年份。

9 2013年美国社区统计数据

数据集来自：US Census Bureau，由美国人口普查局每年进行的美国社区普查数据，每年调查350万社区居民，问题包括居民的居住和生活情况，主体包括：籍贯、教育、工作、交通、互联网使用等诸多方面，从不同角度反映了美国居民的生活状况。

使用方法

1 分类浏览——互联网机器学习数据库。