قائمة مجموعات البيانات لأبحاث التعلم الآلي

Part of a series on
Machine learning and data mining
Paradigms Supervised learning Unsupervised learning Semi-supervised learning Self-supervised learning Reinforcement learning Meta-learning Online learning Batch learning Curriculum learning Rule-based learning Neuro-symbolic AI Neuromorphic engineering Quantum machine learning
Problems Classification Generative modeling Regression Clustering Dimensionality reduction Density estimation Anomaly detection Data cleaning AutoML Association rules Semantic analysis Structured prediction Feature engineering Feature learning Learning to rank Grammar induction Ontology learning Multimodal learning
Supervised learning (classification • regression) Apprenticeship learning Decision trees Ensembles Bagging Boosting Random forest k-NN Linear regression Naive Bayes Artificial neural networks Logistic regression Perceptron Relevance vector machine (RVM) Support vector machine (SVM)
Clustering BIRCH CURE Hierarchical k-means Fuzzy Expectation–maximization (EM) DBSCAN OPTICS Mean shift
Dimensionality reduction Factor analysis CCA ICA LDA NMF PCA PGD t-SNE SDL
Structured prediction Graphical models Bayes net Conditional random field Hidden Markov
Anomaly detection RANSAC k-NN Local outlier factor Isolation forest
Artificial neural network Autoencoder Deep learning Feedforward neural network Recurrent neural network LSTM GRU ESN reservoir computing Boltzmann machine Restricted GAN Diffusion model SOM Convolutional neural network U-Net LeNet AlexNet DeepDream Neural radiance field Transformer Vision Mamba Spiking neural network Memtransistor Electrochemical RAM (ECRAM)
Reinforcement learning Q-learning SARSA Temporal difference (TD) Multi-agent Self-play
Learning with humans Active learning Crowdsourcing Human-in-the-loop RLHF
Model diagnostics Coefficient of determination Confusion matrix Learning curve ROC curve
Mathematical foundations Kernel machines Bias–variance tradeoff Computational learning theory Empirical risk minimization Occam learning PAC learning Statistical learning VC theory
Journals and conferences ECML PKDD NeurIPS ICML ICLR IJCAI ML JMLR
Related articles Glossary of artificial intelligence List of datasets for machine-learning research List of datasets in computer vision and image processing Outline of machine learning
v t e

تُستخدم مجموعات البيانات هذه في أبحاث التعلم الآلي (ML) وقد تم الاستشهاد بها في المجلات الأكاديمية التي تمت مراجعتها من قبل الأقران . تعد مجموعات البيانات جزءًا لا يتجزأ من مجال التعلم الآلي. يمكن أن تنجم التطورات الرئيسية في هذا المجال عن التقدم في خوارزميات التعلم (مثل التعلم العميق ) وأجهزة الكمبيوتر ، وبشكل أقل بديهية، عن توفر مجموعات بيانات التدريب عالية الجودة. ^[1] عادةً ما يكون إنتاج مجموعات بيانات التدريب المصنفة عالية الجودة لخوارزميات التعلم الآلي الخاضعة للإشراف وشبه الخاضعة للإشراف أمرًا صعبًا ومكلفًا بسبب الوقت الكبير اللازم لتصنيف البيانات. على الرغم من عدم الحاجة إلى تصنيفها، إلا أن مجموعات البيانات عالية الجودة للتعلم غير الخاضع للإشراف يمكن أن يكون إنتاجها صعبًا ومكلفًا أيضًا. ^{[2] [3] [4]}

تنشر العديد من المنظمات، بما في ذلك الحكومات، مجموعات البيانات الخاصة بها وتشاركها . يتم تصنيف مجموعات البيانات، بناءً على التراخيص، على أنها بيانات مفتوحة وبيانات غير مفتوحة .

يتم عرض مجموعات البيانات من مختلف الهيئات الحكومية في قائمة مواقع بيانات الحكومة المفتوحة . يتم نقل مجموعات البيانات إلى بوابات البيانات المفتوحة . وهي متاحة للبحث والإيداع والوصول من خلال واجهات مثل Open API . يتم توفير مجموعات البيانات كأنواع وأنواع فرعية مختلفة.

يكتب	الأنواع الفرعية
فئة محددة	المالية ، الاقتصاد ، التجارة ، المجتمع ، الصحة ، الأكاديمية ، الرياضة ، الغذاء ، الزراعة ، السفر ، الجغرافيا المكانية ، السياسة ، المستهلك ، النقل ، اللوجستيات ، البيئة ، العقارات ، القانون ، الترفيه ، الطاقة ، الضيافة
نِطَاق	اتحاد فوق وطني ، وطني ، دون وطني ، بلدي ، حضري ، ريفي
لغة	الصينية المندرينية ، الإسبانية ، الإنجليزية ، العربية ، الهندية ، البنغالية
يكتب	جدولي ، رسم بياني ، نص ، صورة ، صوت ، فيديو
الاستخدام	التدريب والتحقق والاختبار
تنسيقات الملفات	CSV ، JSON ، XML ، KML ، GeoJSON ، Shapefile ، GML
التراخيص	Creative-Commons و GPL ورخص البيانات غير المفتوحة الأخرى
آخر تحديث	آخر ساعة، آخر يوم، آخر أسبوع، آخر شهر، آخر عام
حجم الملف	الحد الأدنى، الحد الأقصى، المدى
حالة	تم التحقق منه، قيد الإعداد، تم إلغاء تنشيطه (أو تم إيقافه)
عدد السجلات	مئات، آلاف، عشرة آلاف، مليون
عدد المتغيرات	أقل من 10، 10، 100، 1000، 10000
خدمات	فردي، تجميعي

يتم تصنيف بوابة البيانات بناءً على نوع الترخيص الخاص بها. تُعرف بوابات البيانات المعتمدة على الترخيص مفتوح المصدر باسم بوابات البيانات المفتوحة والتي تستخدمها العديد من المنظمات الحكومية والمؤسسات الأكاديمية .

اسم البوابة	رخصة	قائمة تثبيتات البوابة	الاستخدامات النموذجية
شبكة أرشيف المعرفة الشاملة ( CKAN )	رخصة أيه جي بي إل	https://ckan.github.io/ckan-instances/ https://github.com/sebneu/ckan_instances/blob/master/instances.csv	مستودع البيانات للمنظمات الحكومية أو غير الربحية، حل إدارة البيانات لمعاهد الأبحاث
دكان	رخصة جنو العمومية	https://getdkan.org/المجتمع	مستودع البيانات للمنظمات الحكومية أو غير الربحية، حل إدارة البيانات لمعاهد الأبحاث
داتا فيرس	أباتشي	https://dataverse.org/installations https://dataverse.org/metrics	حلول إدارة البيانات لمؤسسات البحث
دي سبيس	بي إس دي	https://registry.lyrasis.org/	حلول إدارة البيانات لمؤسسات البحث
أوبن إم إل	بي إس دي	https://www.openml.org/search?type=data&sort=runs&status=active	حلول إدارة البيانات لمشاركة مجموعات البيانات والخوارزميات ونتائج التجارب من خلال واجهات برمجة التطبيقات.

تسرد بوابة البيانات في بعض الأحيان مجموعة واسعة من الأنواع الفرعية لمجموعات البيانات المتعلقة بالعديد من تطبيقات التعلم الآلي .

السيول الأكاديمية	https://academictorrents.com
مجموعة بيانات أمازون	https://registry.opendata.aws/
مجموعة رائعة من البيانات العامة	https://github.com/awesomedata/awesome-public-datasets
بيانات العالم	https://data.world/datasets/machine-learning
Datahub – مجموعات البيانات الأساسية	https://datahub.io/docs/core-data
داتا ون	https://www.dataone.org/
بوابات البيانات	https://dataportals.org/
مجموعة البيانات	https://www.datasetlist.com
مؤشر البيانات المفتوحة العالمي – مؤسسة المعرفة المفتوحة	https://okfn.org/ تم أرشفته في 25 مايو 2020 على موقع Wayback Machine
البحث في مجموعة بيانات Google	https://datasetsearch.research.google.com/
وجه العناق	https://huggingface.co/docs/datasets/
بورصة أصول البيانات الخاصة بشركة IBM	https://developer.ibm.com/exchanges/data/
Jupyter – بيانات تعليمية	https://jupyter-tutorial.readthedocs.io/en/latest/data-processing/opendata.html
كاجل	https://www.kaggle.com/datasets
مجموعات بيانات التعلم الآلي	https://macgence.com/data-sets-and-cataloges/
المدن الذكية الكبرى ذات البيانات المفتوحة	https://rlist.io/l/major-smart-cities-with-open-data-portals
مجموعة بيانات مايكروسوفت	https://msropendata.com/datasets
بداية البيانات المفتوحة	https://opendatainception.io/
أوبن داتا سوفت	https://data.opendatasoft.com/explore/dataset/open-data-sources%40public/table/?sort=code_en
أوبندور	https://v2.sherpa.ac.uk/opendoar/
أوبن إم إل	https://www.openml.org/search?type=data
أوراق مع الكود	https://paperswithcode.com/datasets
معايير التعلم الآلي في جامعة بنسلفانيا	https://github.com/EpistasisLab/pmlb/tree/master/datasets
واجهات برمجة التطبيقات العامة	https://github.com/public-apis/public-apis
سجل مستودعات الوصول المفتوح	http://roar.eprints.org/
سجل مستودعات بيانات الأبحاث	https://www.re3data.org/
مستودع التعلم الآلي لجامعة كاليفورنيا في إيرفين	http://mlr.cs.umass.edu/ml/ تم أرشفته في 26 يونيو 2020 على موقع Wayback Machine
مجموعة بيانات الكلام	https://www.shaip.com/offerings/speech-data-catalog/
اكتشاف البيانات المرئية	https://visualdata.io/discovery

يتم إدراج بوابات البيانات المناسبة لنوع فرعي محدد من تطبيقات التعلم الآلي في الأقسام اللاحقة.

تتكون مجموعات البيانات هذه بشكل أساسي من نصوص لمهام مثل معالجة اللغة الطبيعية ، وتحليل المشاعر ، والترجمة، وتحليل المجموعات .

اسم مجموعة البيانات	وصف موجز	المعالجة المسبقة	الحالات	شكل	المهمة الافتراضية	تم الإنشاء (تم التحديث)	مرجع	الخالق
جائزة نيتفليكس	تصنيفات الأفلام على Netflix.		100,480,507 تقييمًا أعطاها 480,189 مستخدمًا لـ 17,770 فيلمًا	النص، التقييم	توقع التقييم	2006	[5]	نيتفليكس
تقييمات أمازون	تقييمات المنتجات الأمريكية من Amazon.com .	لا أحد.	233.1 مليون	نص	التصنيف، تحليل المشاعر	2015 (2018)	[6] [7]	ماكولي وآخرون.
مجموعة بيانات مراجعة OpinRank	تقييمات السيارات والفنادق من Edmunds.com و TripAdvisor على التوالي.	لا أحد.	42,230 / ~259,000 على التوالي	نص	تحليل المشاعر والتجميع	2011	[8] [9]	ك. غانيشان وآخرون.
عدسة الفيلم	22,000,000 تقييم و 580,000 علامة تم تطبيقها على 33,000 فيلمًا بواسطة 240,000 مستخدم.	لا أحد.	~ 22 مليون	نص	الانحدار، التجميع، التصنيف	2016	[10]	أبحاث GroupLens
تقييمات مستخدمي موقع Yahoo! Music للفنانين الموسيقيين	أكثر من 10 ملايين تقييم للفنانين من قبل مستخدمي Yahoo.	لا يوجد وصف.	~ 10م	نص	التجميع، الانحدار	2004	[11] [12]	ياهو!
مجموعة بيانات تقييم السيارات	خصائص السيارة وقبولها بشكل عام.	تم تقديم ستة ميزات تصنيفية.	1728	نص	تصنيف	1997	[13] [14]	السيد بوهانيك
مجموعة بيانات تفضيلات الكوميديا ​​​​على YouTube	بيانات تصويت المستخدمين لأزواج مقاطع الفيديو المعروضة على YouTube. صوّت المستخدمون على مقاطع الفيديو الأكثر تسلية.	تم تقديم بيانات الفيديو.	1,138,562	نص	تصنيف	2012	[15] [16]	جوجل
مجموعة بيانات آراء مستخدمي Skytrax	تقييمات المستخدمين لشركات الطيران والمطارات والمقاعد والصالات من Skytrax.	إن التقييمات دقيقة للغاية وتتضمن العديد من جوانب تجربة المطار.	41396	نص	التصنيف والانحدار	2015	[17]	س. نجوين
مجموعة بيانات تقييم مساعدي التدريس	مراجعات مساعدي التدريس.	يتم تقديم ميزات كل حالة مثل الفصل، وحجم الفصل، والمدرس.	151	نص	تصنيف	1997	[18] [19]	و. لوه وآخرون.
مجموعة آراء الطلاب الفيتناميين (UIT-VSFC)	آراء الطلاب.	تعليقات	16000	نص	تصنيف	1997	[20]	نجوين وآخرون.
مجموعة أدوات التواصل الاجتماعي الفيتنامية (UIT-VSMEC)	تعليقات المستخدمين على الفيسبوك.	تعليقات	6,927	نص	تصنيف	1997	[21]	نجوين وآخرون.
مجموعة بيانات الكشف عن الشكاوى ذات النطاق المفتوح باللغة الفيتنامية (ViOCD)	آراء العملاء حول المنتج	تعليقات	5,485	نص	تصنيف	2021	[22]	نجوين وآخرون.
ViHOS: خطاب الكراهية يمتد إلى الكشف عن الفيتناميين	نصوص وسائل التواصل الاجتماعي	تعليقات	يحتوي على 26 ألف امتداد على 11 ألف تعليق	نص	كشف النطاق	2021	[23]	هوانج وآخرون.

اسم مجموعة البيانات	وصف موجز	المعالجة المسبقة	الحالات	شكل	المهمة الافتراضية	تم الإنشاء (تم التحديث)	مرجع	الخالق
مجموعة بيانات NYSK	مقالات إخبارية باللغة الإنجليزية حول القضية المتعلقة باتهامات الاعتداء الجنسي ضد المدير السابق لصندوق النقد الدولي دومينيك شتراوس كان .	تمت تصفيته وتقديمه بتنسيق XML.	10,421	XML، النص	تحليل المشاعر واستخراج الموضوع	2013	[24]	ديرموش، م. وآخرون.
مجموعة رويترز المجلد الأول	مجموعة كبيرة من أخبار رويترز باللغة الإنجليزية.	تصنيف دقيق ورموز موضوعية.	810,000	نص	التصنيف والتجميع والتلخيص	2002	[25]	رويترز
مجموعة رويترز المجلد الثاني	مجموعة كبيرة من أخبار رويترز بالعديد من اللغات.	تصنيف دقيق ورموز موضوعية.	487,000	نص	التصنيف والتجميع والتلخيص	2005	[26]	رويترز
مجموعة أبحاث نصوص تومسون رويترز	مجموعة كبيرة من القصص الإخبارية.	التفاصيل غير موصوفة.	1,800,370	نص	التصنيف والتجميع والتلخيص	2009	[27]	ت. روز وآخرون.
مجموعة الصحف السعودية	31,030 مقالة صحفية عربية.	تم استخراج البيانات الوصفية.	31,030	جيسون	التلخيص والتجميع	2015	[28]	السيد الحاجري
RE3D (مجموعة بيانات تقييم استخراج العلاقات والكيانات)	بيانات تم تحديدها حسب الكيان والعلاقات من مصادر إخبارية وحكومية مختلفة. برعاية Dstl	تصفية وتصنيف باستخدام أنواع البالين	غير معروف	جيسون	التصنيف والتعرف على الكيانات والعلاقات	2017	[29]	دي إس تي إل
كتالوج الرسائل المزعجة التي يتم نشرها على موقع Examiner	عناوين مثيرة للنقرات، ورسائل غير مرغوب فيها، وعناوين مستمدة من الجمهور من عام 2010 إلى عام 2015	تاريخ النشر والعناوين الرئيسية	3,089,781	CSV	التجميع والأحداث والمشاعر	2016	[30]	ر. كولكارني
مجموعة أخبار ABC أستراليا	مجموعة الأخبار الكاملة لقناة ABC Australia من عام 2003 إلى عام 2019	تاريخ النشر والعناوين الرئيسية	1,186,018	CSV	التجميع والأحداث والمشاعر	2020	[31]	ر. كولكارني
الأخبار العالمية – مجموع 20 ألف موجز	ملخص أسبوعي لجميع العناوين الرئيسية عبر الإنترنت بأكثر من 20 لغة	وقت النشر وعنوان URL والعناوين الرئيسية	1,398,431	CSV	التجميع والأحداث واكتشاف اللغة	2018	[32]	ر. كولكارني
عناوين وكالة رويترز للأنباء	11 عامًا من الأحداث المسجلة زمنيًا والتي تم نشرها على وكالات الأنباء	وقت النشر، نص العنوان	16,121,310	CSV	البرمجة اللغوية العصبية، اللغويات الحاسوبية، الأحداث	2018	[33]	ر. كولكارني
مجموعة أخبار صحيفة آيريش تايمز الأيرلندية	24 عامًا من أخبار أيرلندا من 1996 إلى 2019	وقت النشر وفئة العنوان والنص	1,484,340	CSV	البرمجة اللغوية العصبية، اللغويات الحاسوبية، الأحداث	2020	[34]	ر. كولكارني
مجموعة بيانات عناوين الأخبار للكشف عن السخرية	مجموعة بيانات عالية الجودة تحتوي على عناوين إخبارية ساخرة وغير ساخرة.	نص نظيف وموحد	26,709	جيسون	البرمجة اللغوية العصبية، التصنيف، اللغويات	2018	[35]	ريشابه ميسرا

اسم مجموعة البيانات	وصف موجز	المعالجة المسبقة	الحالات	شكل	المهمة الافتراضية	تم الإنشاء (تم التحديث)	مرجع	الخالق
مجموعة إنرون	رسائل البريد الإلكتروني للموظفين في شركة إنرون منظمة في مجلدات.	تم إزالة المرفقات، وتحويل عناوين البريد الإلكتروني غير الصالحة إلى user@enron.com أو no_address@enron.com.	~ 500000	نص	تحليل الشبكة ، تحليل المشاعر	2004 (2015)	[36] [37]	كليمت، ب. وي. يانغ
مجموعة بيانات Ling-Spam	مجموعة تحتوي على رسائل البريد الإلكتروني المشروعة والرسائل غير المرغوب فيها .	أربع نسخ من مجموعة النصوص تتضمن ما إذا كان تم تمكين أداة التحديد أو قائمة الإيقاف أم لا.	2,412 هام 481 سبام	نص	تصنيف	2000	[38] [39]	أندروتسوبولوس، ج. وآخرون.
مجموعة بيانات جمع الرسائل النصية القصيرة العشوائية	تم جمع رسائل SMS غير المرغوب فيها.	لا أحد.	5,574	نص	تصنيف	2011	[40] [41]	ت. ألميدا وآخرون.
مجموعة بيانات عشرين مجموعة إخبارية	رسائل من 20 مجموعة إخبارية مختلفة.	لا أحد.	20000	نص	معالجة اللغة الطبيعية	1999	[42]	ت. ميتشل وآخرون.
مجموعة بيانات Spambase	رسائل البريد الإلكتروني العشوائية.	تم استخراج العديد من ميزات النص.	4,601	نص	كشف البريد العشوائي وتصنيفه	1999	[43]	م. هوبكنز وآخرون.

اسم مجموعة البيانات	وصف موجز	المعالجة المسبقة	الحالات	شكل	المهمة الافتراضية	تم الإنشاء (تم التحديث)	مرجع	الخالق
تغريدات الفيلم	مجموعة بيانات تصنيف الأفلام استنادًا إلى التغريدات العامة والمنظمة جيدًا		~710,000	نص	التصنيف والانحدار	2018	[44]	س. دومز
تويتر 100 ألف	أزواج من الصور والتغريدات		100000	النصوص والصور	استرجاع عبر الوسائط	2017	[45] [46]	ي. هو، وآخرون.
المشاعر140	بيانات التغريدات لعام 2009 بما في ذلك النص الأصلي وطابع الوقت والمستخدم والعاطفة.	تم تصنيفها باستخدام الإشراف عن بعد من وجود الرموز التعبيرية في التغريدة.	1,578,627	التغريدات، الفاصلة، القيم المنفصلة	تحليل المشاعر	2009	[47] [48]	أ. جو وآخرون.
مجموعة بيانات تويتر لجامعة ولاية أريزونا	بيانات شبكة تويتر، وليس التغريدات الفعلية. تُظهر الاتصالات بين عدد كبير من المستخدمين.	لا أحد.	11,316,811 مستخدمًا، 85,331,846 اتصالاً	نص	التجميع، تحليل الرسم البياني	2009	[49] [50]	ر. زعفراني وآخرون.
دوائر SNAP الاجتماعية: قاعدة بيانات تويتر	بيانات شبكة تويتر كبيرة.	ميزات العقدة والدوائر وشبكات الأنا.	1,768,149	نص	التجميع، تحليل الرسم البياني	2012	[51] [52]	ج. ماكولي وآخرون.
مجموعة بيانات تويتر لتحليل المشاعر العربية	تغريدات عربية.	العينات مُصنفة يدويًا على أنها إيجابية أو سلبية.	2000	نص	تصنيف	2014	[53] [54]	ن. عبدالله
الضجة في مجموعة بيانات وسائل التواصل الاجتماعي	بيانات من موقعي Twitter وTom's Hardware. تركز مجموعة البيانات هذه على موضوعات محددة يتم مناقشتها على هذين الموقعين.	يتم تقسيم البيانات إلى نوافذ بحيث يمكن للمستخدم محاولة التنبؤ بالأحداث التي أدت إلى ظهور الضجة على وسائل التواصل الاجتماعي.	140,000	نص	الانحدار، التصنيف	2013	[55] [56]	ف. كاوالا وآخرون.
إعادة صياغة الكلمات والتشابه الدلالي في تويتر (PIT)	تسلط مجموعة البيانات هذه الضوء على ما إذا كانت التغريدات تحمل نفس المعنى/المعلومات (تقريبًا) أم لا. تم تصنيفها يدويًا.	التجزئة، وجزء من الكلام، ووضع علامات على الكيانات المسماة	18,762	نص	الانحدار، التصنيف	2015	[57] [58]	شو وآخرون.
مجموعة بيانات معيارية لـ Geoparse Twitter	تحتوي مجموعة البيانات هذه على تغريدات أثناء أحداث إخبارية مختلفة في بلدان مختلفة. إشارات إلى المواقع مصنفة يدويًا.	تمت إضافة تعليقات الموقع إلى بيانات JSON الوصفية	6,386	التغريدات، JSON	التصنيف واستخراج المعلومات	2014	[59] [60]	SE ميدلتون وآخرون.
السخرية، المُدرَكة والمقصودة، من خلال الإشراف التفاعلي (SPIRS)	التغريدات الساخرة المقصودة والمتصورة مع سياقها تم جمعها باستخدام الإشراف التفاعلي؛ وعدد متساوٍ من العينات السلبية (غير الساخرة)		30,000	معرفات التغريدات، CSV	تصنيف	2020	[61] [62]	ب. شمويل وآخرون.
مجموعة وسائل التواصل الاجتماعي الهولندية	تحتوي مجموعة البيانات هذه على تغريدات حول فيروس كورونا المستجد (كوفيد-19) كتبها متحدثون باللغة الهولندية أو مستخدمون من هولندا. وقد تم تصنيف البيانات آليًا	تم تصنيفها وفقًا للعواطف ونصوص التغريدات ووصف المستخدم المترجم إلى اللغة الإنجليزية. تم استخراج ذكر الصناعة	271,342	جيه سونل	المشاعر، التصنيف متعدد العلامات، الترجمة الآلية	2020	[63] [64] [65]	آكش جوبتا، كورونا واي
مجموعة بيانات ReactionGIF	مجموعة بيانات تحتوي على 30 ألف تغريدة وردود أفعالها بتنسيق GIF	تم تصنيفها حسب المشاعر وردود الأفعال والعواطف	30,000	معرفات التغريدات، JSONL	تم تصنيفها حسب المشاعر وردود الأفعال والعواطف	2021	[66] [67]	ب. شمويل وآخرون.

اسم مجموعة البيانات	وصف موجز	المعالجة المسبقة	الحالات	شكل	المهمة الافتراضية	تم الإنشاء (تم التحديث)	مرجع	الخالق
مجموعة محادثات NPS	المشاركات من غرف الدردشة عبر الإنترنت المخصصة للأعمار المختلفة.	خصوصية اليد مقنعة، ومحددة لجزء من الكلام وفعل الحوار.	~ 500000	إكس إم إل	البرمجة اللغوية العصبية، والبرمجة، واللغويات	2007	[68]	فورسيث، إي، ولين، جيه، ومارتيل، سي.
مجموعة تويتر الثلاثية	تم استخراج ثلاثيات ABA من تويتر.		4,232	نص	البرمجة اللغوية العصبية	2016	[69]	سورديني، أ. وآخرون.
مجموعة أدوات UseNet	المشاركات في منتدى UseNet.	رسائل البريد الإلكتروني وعناوين المواقع الإلكترونية مجهولة المصدر. تم حذف المستندات التي يقل طولها عن 500 كلمة أو يزيد عن 500000 كلمة، أو التي تحتوي على نسبة أقل من 90% من اللغة الإنجليزية.	7 مليار	نص		2011	[70]	شاؤول، سي، وويستبيري سي.
مجموعة رسائل SMS من NUS	تم جمع الرسائل النصية القصيرة بين مستخدمين، مع تحليل التوقيت.		~ 10000	إكس إم إل	البرمجة اللغوية العصبية	2011	[71]	كان، م
مجموعة تعليقات Reddit	جميع تعليقات Reddit (حتى عام 2015).		~ 1.7 مليار	جيسون	البرمجة اللغوية العصبية، البحث	2015	[72]	عالق في المصفوفة
مجموعة حوارات أوبونتو	الحوارات المستخرجة من مجرى الدردشة في Ubuntu على IRC.		930 ألف حوار و7.1 مليون عبارة	CSV	بحوث أنظمة الحوار	2015	[73]	لوي، ر. وآخرون.
تحدي تتبع حالة الحوار	كانت تحديات تتبع حالة الحوار 2 و 3 (DSTC2 و 3) عبارة عن تحديات بحثية تركز على تحسين أحدث التقنيات في تتبع حالة أنظمة الحوار المنطوق.	نسخ الحوارات المنطوقة مع التسمية	يحتوي DSTC2 على حوالي 3.2 ألف مكالمة – يحتوي DSTC3 على حوالي 2.3 ألف مكالمة	جيسون	تتبع حالة الحوار	2014	[74]	هندرسون، ماثيو وتومسون، بليز وويليامز، جيسون د

اسم مجموعة البيانات	وصف موجز	المعالجة المسبقة	الحالات	شكل	المهمة الافتراضية	تم الإنشاء (تم التحديث)	مرجع	الخالق
قانون حر	بيانات مفلترة من Court Listener، وهي جزء من مشروع FreeLaw.	نص تم تنظيفه وتطبيعه	4,940,710	جيسون	البرمجة اللغوية العصبية، اللغويات	2020	[75]	ت. هوب
كومة من القانون	مجموعة من البيانات القانونية والإدارية	تم تنظيفها وتطبيعها وخصخصتها	~50,000,000	جيسون	البرمجة اللغوية العصبية، اللغويات، المشاعر	2022	[76] [77]	إل تشنغ؛ ن.جوها؛ ب. أندرسون؛ بي هندرسون؛ د. هو
مشروع الوصول إلى أحكام القضاء	جميع أحكام القضاء الرسمية الصادرة عن الولايات المتحدة والصادرة في كتب — كل مجلد أو قضية تم تحديدها كتقرير رسمي عن القرارات التي اتخذتها محكمة داخل الولايات المتحدة.	نص تم تنظيفه وتطبيعه	~10,000	جيسون	البرمجة اللغوية العصبية، اللغويات	2022	[78]	أ. أيزمان؛ س. تشابمان؛ ج. كوشمان؛ ك. دولين؛ ح. إيدولون؛ وآخرون.

اسم مجموعة البيانات	وصف موجز	المعالجة المسبقة	الحالات	شكل	المهمة الافتراضية	تم الإنشاء (تم التحديث)	مرجع	الخالق
مجموعة بيانات ويب أوف ساينس	مجموعات البيانات الهرمية لتصنيف النصوص	لا أحد.	46,985	نص	تصنيف، التصنيف	2017	[79] [80]	ك. كوساري وآخرون.
تقارير القضايا القانونية	قضايا المحكمة الفيدرالية الأسترالية من عام 2006 إلى عام 2009.	لا أحد.	4000	نص	تلخيص، تحليل الاستشهادات	2012	[81] [82]	ف. جالجاني وآخرون.
مجموعة تأليف المدونين	مدخلات المدونة لـ 19,320 شخصًا من blogger.com.	قام المدون بتقديم معلومات ذاتية عن الجنس والعمر والصناعة والعلامة الفلكية.	681,288	نص	تحليل المشاعر، التلخيص، التصنيف	2006	[83] [84]	ج. شلر وآخرون.
البنية الاجتماعية لشبكات الفيسبوك	مجموعة كبيرة من البيانات حول البنية الاجتماعية للفيسبوك.	لا أحد.	تم تغطية 100 كلية	نص	تحليل الشبكة، التجميع	2012	[85] [86]	أ. تراود وآخرون.
مجموعة بيانات لفهم النص آليًا	قصص وأسئلة مرتبطة بها لاختبار فهم النص.	لا أحد.	660	نص	معالجة اللغة الطبيعية، والفهم الآلي	2013	[87] [88]	م. ريتشاردسون وآخرون.
مشروع بنك الأشجار في بنسلفانيا	نص طبيعي تم توضيحه من حيث البنية اللغوية.	يتم تحليل النص إلى أشجار دلالية.	~ 1 مليون كلمة	نص	معالجة اللغة الطبيعية، التلخيص	1995	[89] [90]	م. ماركوس وآخرون.
مجموعة بيانات DEXTER	المهمة الموكلة إلينا هي تحديد المقالات التي تتناول عمليات الاستحواذ على الشركات، وذلك من خلال الميزات المقدمة.	تتضمن الميزات المستخرجة جذوع الكلمات. تتضمن ميزات التشتيت.	2600	نص	تصنيف	2008	[91]	رويترز
كتب جوجل N-grams	N-grams من مجموعة كبيرة جدًا من الكتب	لا أحد.	2.2 تيرابايت من النص	نص	التصنيف والتجميع والانحدار	2011	[92] [93]	جوجل
مجموعة الأشخاص	تم تجميعها لأغراض التجارب في نسب المؤلف والتنبؤ بالشخصية. تتكون من 145 مقالة باللغة الهولندية.	بالإضافة إلى النصوص العادية، يتم تقديم نصوص موضحة نحويًا.	145	نص	التصنيف والانحدار	2008	[94] [95]	ك. لويكس وآخرون.
دفع التحول	أرشيفات مواقع التواصل الاجتماعي، بما في ذلك Reddit و Twitter و Hackernews .	تم استخراج النص وتطبيعه من WARCs	~100,000,000 مشاركة	جيسون	البرمجة اللغوية العصبية، المشاعر، اللغويات	2022	[96] [97]	ج. باومغارتنر
ملفات لجنة الأوراق المالية والبورصات	إدغار | ملفات الشركة	تم استخراج النص.		ملف CSV	البرمجة اللغوية العصبية
مجموعة بيانات CNAE-9	مهمة تصنيف للنصوص المجانية الخاصة بالشركات البرازيلية.	تم استخراج تردد الكلمة.	1080	نص	تصنيف	2012	[98] [99]	ب. سياريلي وآخرون.
مجموعة بيانات الجمل المصنفة بالمشاعر	3000 جملة تحمل علامات عاطفية.	تمت كتابة مشاعر كل جملة يدويًا على أنها إيجابية أو سلبية.	3000	نص	التصنيف، تحليل المشاعر	2015	[100] [101]	د. كوتزياس
مجموعة بيانات BlogFeedback	مجموعة بيانات للتنبؤ بعدد التعليقات التي سيتلقاها المنشور بناءً على ميزات هذا المنشور.	تم استخراج العديد من الميزات لكل مشاركة.	60,021	نص	الانحدار	2014	[102] [103]	ك. بوزا
مركز ببميد	يضم PubMed® أكثر من 35 مليون استشهاد للأدبيات الطبية الحيوية من MEDLINE ومجلات العلوم الحياتية والكتب عبر الإنترنت.	لا أحد	35 مليون	نص	البرمجة اللغوية العصبية
مكتب براءات الاختراع والعلامات التجارية الأمريكي	مكتب الولايات المتحدة لبراءات الاختراع والعلامات التجارية			نص	البرمجة اللغوية العصبية
فيليبابرز	مجموعة مفتوحة المصدر من منشورات الفلسفة			نص	البرمجة اللغوية العصبية
مجموعة كتب	مجموعة نصوص شائعة واسعة النطاق.	لا أحد		نص	البرمجة اللغوية العصبية	2015	[104]	تشو، يوكون، وآخرون.
مجموعة أدوات استدلال اللغة الطبيعية بجامعة ستانفورد (SNLI)	تتم مطابقة تعليقات الصور مع الجمل التي تم إنشاؤها حديثًا لتشكيل أزواج الاستلزام أو التناقض أو المحايدة.	تسميات فئة الاستلزام، التحليل النحوي بواسطة محلل Stanford PCFG	570,000	نص	الاستدلال باللغة الطبيعية/التعرف على المضمون النصي	2015	[105]	س. بومان وآخرون.
مجموعة DSL Corpus (DSLCC)	مجموعة متعددة اللغات من المقاطع القصيرة من النصوص الصحفية باللغات واللهجات المتشابهة.	لا أحد	294000 جملة	نص	التمييز بين اللغات المتشابهة	2017	[106]	تان، ليلينج وآخرون.
مجموعة بيانات القاموس الحضري	مجموعة من الكلمات والأصوات والتعريفات	أسماء المستخدمين مجهولة	2,580,925	CSV	البرمجة اللغوية العصبية، فهم الآلة	مايو 2016	[107]	مجهول
تي ريكس	ملخصات ويكيبيديا متوافقة مع كيانات ويكي بيانات	محاذاة ثلاثيات ويكيبيديا مع ملخصات ويكيبيديا	11M ثلاثيات مصطفة	JSON وNIF [4]	البرمجة اللغوية العصبية، استخراج العلاقات	2018	[108]	ح. السحار وآخرون.
تقييم فهم اللغة العام (GLUE)	معيار أداء تسعة مهام	متنوع	~1 مليون جملة وأزواج جمل		اللغة الإنجليزية:	2018	[109] [110] [111]	وانغ وآخرون.
مجموعة بيانات Atticus لفهم العقود (CUAD) (المعروفة سابقًا باسم مجموعة بيانات Atticus Open Contract Dataset (AOK))	مجموعة بيانات العقود القانونية مع تعليقات الخبراء الغنية		~13000 ملصق	CSV و PDF	معالجة اللغة الطبيعية، سؤال وجواب	2021		مشروع أتيكوس
مجموعة بيانات التسميات التوضيحية للصور الفيتنامية (UIT-ViIC)	مجموعة بيانات ترجمة الصور الفيتنامية		19250 تعليقًا لـ 3850 صورة	CSV و PDF	معالجة اللغة الطبيعية، الرؤية الحاسوبية	2020	[112]	لام وآخرون.
الأسماء الفيتنامية الموضحة بالجنس (UIT-ViNames)	الأسماء الفيتنامية مع توضيح الجنس		26,850 اسمًا كاملاً فيتناميًا موضحًا به الجنس	CSV	معالجة اللغة الطبيعية	2020	[113]	إلى وآخرون.
مجموعة بيانات الكشف عن الكلام البنّاء والسام باللغة الفيتنامية (UIT-ViCTSD)	مجموعة بيانات الكشف عن الكلام البنّاء والسام باللغة الفيتنامية		10000 تعليق من المستخدمين الفيتناميين على الصحف الإلكترونية على 10 نطاقات	CSV	معالجة اللغة الطبيعية	2021	[114]	نجوين وآخرون.
بي جي-19	مجموعة من الكتب المستخرجة من مكتبة كتب مشروع جوتنبرج			نص	معالجة اللغة الطبيعية	2019		جاك دبليو وآخرون.
الرياضيات في ديب مايند	أزواج الأسئلة والأجوبة في الرياضيات.			نص	معالجة اللغة الطبيعية	2018	[115]	د ساكستون وآخرون.
أرشيف آنا	أرشيف شامل للكتب والأبحاث المنشورة	لا أحد	100,356,641	نص، epub، PDF	معالجة اللغة الطبيعية	2024

تتكون مجموعات البيانات هذه من الأصوات وميزات الصوت المستخدمة في مهام مثل التعرف على الكلام وتوليف الكلام .

اسم مجموعة البيانات	وصف موجز	المعالجة المسبقة	الحالات	شكل	المهمة الافتراضية	تم الإنشاء (تم التحديث)	مرجع	الخالق
لوحة التوزيع-1	محادثة عبر الهاتف.		260 ساعة من الكلام، من 543 متحدثًا (302 من الذكور و241 من الإناث) من جميع أنحاء الولايات المتحدة، لنحو 2400 محادثة هاتفية ثنائية الجانب، جمعتها شركة Texas Instruments في عامي 1990 و1991.	الصوت، نص منقول، طوابع زمنية على مستوى الكلمة، نسخ صوتية	التعرف على الكلام، والنسخ الصوتي.	1992 (2000)	[116] [117]	المعهد الوطني للمعايير والتكنولوجيا
هاب 5'00	محادثة عبر الهاتف.		260 ساعة من الكلام، من 543 متحدثًا (302 من الذكور و241 من الإناث) من مختلف أنحاء الولايات المتحدة، لنحو 2400 محادثة هاتفية ثنائية، بما يعادل نحو 3 ملايين كلمة. تم جمعها بواسطة شركة Texas Instruments في عامي 1990 و1991.	الصوت، نص منقول، طوابع زمنية على مستوى الكلمة، نسخ صوتية	التعرف على الكلام، النسخ الصوتي. مجموعة الاختبار الأكثر استخدامًا لهذه المجموعة من البيانات تسمى "Hub5'00".	1992 (2000)	[118] [119]	المعهد الوطني للمعايير والتكنولوجيا
تحدي الخطابة بدون موارد 2015	الكلام التلقائي (الإنجليزية)، الكلام المقروء (Xitsonga).	لا يوجد، ملفات WAV خام.	الإنجليزية: 5 ساعات، 12 متحدثًا؛ Xitsonga: ساعتان ونصف، 24 متحدثًا	WAV (صوت فقط)	الاكتشاف غير الخاضع للإشراف لخصائص الكلام/وحدات الكلمات الفرعية/وحدات الكلمات	2015	[120] [121]	فيرستيج وآخرون.
مجموعة بيانات الكلام لمرض باركنسون	تسجيلات متعددة لأشخاص مصابين بمرض باركنسون وغير مصابين به.	تم استخراج ميزات الصوت، وتم تقييم المرض من قبل الطبيب باستخدام مقياس تصنيف مرض باركنسون الموحد .	1,040	نص	التصنيف والانحدار	2013	[122] [123]	بي إي ساكار وآخرون.
الأرقام العربية المنطوقة	الأرقام العربية المنطوقة من 44 ذكرًا و 44 أنثى.	سلسلة زمنية لمعاملات ميل الترددية .	8,800	نص	تصنيف	2010	[124] [125]	م. بيدا وآخرون.
مجموعة بيانات ISOLET	أسماء الحروف المنطوقة.	الميزات المستخرجة من الأصوات.	7797	نص	تصنيف	1994	[126] [127]	ر. كول وآخرون.
مجموعة بيانات الحروف المتحركة اليابانية	نطق تسعة متحدثين ذكور بحرفين متحركين يابانيين على التوالي.	تم تطبيق تحليل التنبؤ الخطي بزاوية 12 درجة عليه للحصول على سلسلة زمنية منفصلة مع 12 معاملًا للنقطة.	640	نص	تصنيف	1999	[128] [129]	م. كودو وآخرون.
مجموعة بيانات المراقبة عن بعد لمرض باركنسون	تسجيلات متعددة لأشخاص مصابين بمرض باركنسون وغير مصابين به.	تم استخراج ميزات الصوت.	5875	نص	تصنيف	2009	[130] [131]	أ. تساناس وآخرون.
تيميت	تسجيلات 630 متحدثًا من ثماني لهجات رئيسية للغة الإنجليزية الأمريكية، حيث يقرأ كل منهم عشر جمل غنية بالصوتيات.	يتم نسخ الكلام معجميًا وصوتيًا.	6300	نص	التعرف على الكلام والتصنيف.	1986	[132] [133]	ج. جاروفولو وآخرون.
مجموعة نصوص باللغة العربية	مجموعة خطابية باللغة العربية الفصحى الحديثة (MSA) لمتحدث واحد مع نصوص صوتية وإملائية تتوافق مع مستوى الصوتيات.	يتم نسخ الكلام إملائيًا وصوتيًا مع علامات التشديد.	~1900	نص، WAV	تركيب الكلام، التعرف على الكلام، محاذاة النص، علاج النطق، التعليم.	2016	[134]	ن. حلبي
صوت مشترك	قاعدة بيانات عامة للبيانات المجمعة جماعياً عبر مجموعة واسعة من اللهجات.	التحقق من صحة البيانات من قبل مستخدمين آخرين.	الإنجليزية: 1,118 ساعة	ملفات MP3 مع النصوص المقابلة	التعرف على الكلام	يونيو 2017 (ديسمبر 2019)	[135]	موزيلا
خطاب LJ	مجموعة من التسجيلات الصوتية العامة باللغة الإنجليزية، بصوت متحدث واحد ، مقسمة إلى مقاطع قصيرة عند علامات الترقيم.	فحص الجودة، والنسخ الطبيعي إلى جانب الأصل.	13,100	CSV، WAV	تركيب الكلام	2017	[136]	كيث إيتو، ليندا جونسون
مجموعة بيانات أوامر الكلام العربية	تم جمعها من 30 مساهمًا وتم تجميعها في 40 كلمة رئيسية.	ملفات WAV الخام	12000	WAV، CSV	التعرف على الكلام، واكتشاف الكلمات الرئيسية	2021	[137]	عبد القادر غندورة

اسم مجموعة البيانات	وصف موجز	المعالجة المسبقة	الحالات	شكل	المهمة الافتراضية	تم الإنشاء (تم التحديث)	مرجع	الخالق
الأصل الجغرافي لمجموعة بيانات الموسيقى	الميزات الصوتية لعينات الموسيقى من مواقع مختلفة.	ميزات الصوت المستخرجة باستخدام برنامج MARSYAS.	1,059	نص	التصنيف الجغرافي، التجميع	2014	[138] [139]	ف. تشو وآخرون.
مجموعة بيانات المليون أغنية	ميزات صوتية من مليون أغنية مختلفة.	تم استخراج ميزات الصوت.	1 مليون	نص	التصنيف والتجميع	2011	[140] [141]	ت. بيرتين-ماهيو وآخرون.
ميوسد بي 18	تسجيلات موسيقية شعبية متعددة المسارات	الصوت الخام	150	إم بي 4، دبليو إيه في	فصل المصدر	2017	[142]	ز. رافي وآخرون.
أرشيف الموسيقى المجانية	الصوت بموجب ترخيص المشاع الإبداعي من 100 ألف أغنية (343 يومًا، 1 تيرابايت) مع تسلسل هرمي من 161 نوعًا، والبيانات الوصفية، وبيانات المستخدم، والنص الحر.	الصوت الخام وميزات الصوت.	106,574	نص، MP3	التصنيف والتوصية	2017	[143]	م. ديفيرارد وآخرون.
مجموعة بيانات التناغم الكورالي لباخ	أوتار كورال باخ.	تم استخراج ميزات الصوت.	5665	نص	تصنيف	2014	[144] [145]	د. راديتشيوني وآخرون.

اسم مجموعة البيانات	وصف موجز	المعالجة المسبقة	الحالات	شكل	المهمة الافتراضية	تم الإنشاء (تم التحديث)	مرجع	الخالق
أوربان ساوند	تسجيلات صوتية مصنفة لأصوات مثل مكيفات الهواء وأبواق السيارات والأطفال يلعبون.	تم فرزها إلى مجلدات حسب فئة الأحداث بالإضافة إلى البيانات الوصفية في ملف JSON والتعليقات التوضيحية في ملف CSV.	1,059	صوت ( WAV )	تصنيف	2014	[146] [147]	ج. سالامون وآخرون.
مجموعة الصوت	مقاطع صوتية مدتها 10 ثوانٍ من مقاطع فيديو YouTube، ومجموعة من أكثر من 500 علامة.	128-d PCA'd VGG-ish ميزات كل ثانية واحدة.	2,084,320	ملفات نصية (CSV) وملفات تسجيل TensorFlow	تصنيف	2017	[148]	ج. جيميك وآخرون، جوجل
تحدي اكتشاف صوت الطيور	الصوت من محطات مراقبة البيئة، بالإضافة إلى التسجيلات الجماعية		17000+		تصنيف	2016 (2018)	[149] [150]	جامعة كوين ماري وجمعية معالجة الإشارات IEEE
مزيجات WSJ0 Hipster Ambient	تم خلط الصوت من WSJ0 مع الضوضاء المسجلة في منطقة خليج سان فرانسيسكو	مقاطع الضوضاء المطابقة لمقاطع WSJ0	28000	الصوت ( WAV )	فصل مصدر الصوت	2019	[151]	Wichern، G.، وآخرون، Whisper وMERL
كلوثو	4,981 عينة صوتية تتراوح مدتها بين 15 إلى 30 ثانية، وتحتوي كل عينة صوتية على خمسة ترجمات مختلفة تتراوح مدتها بين 8 إلى 20 كلمة.		24,905	الصوت ( WAV ) والنص ( CSV )	الترجمة الصوتية الآلية	2020	[152] [153]	ك. دروسوس، س. ليبينج، وت. فيرتانين

مجموعة البيانات التي تحتوي على معلومات الإشارة الكهربائية التي تتطلب نوعًا ما من معالجة الإشارة لمزيد من التحليل.

اسم مجموعة البيانات	وصف موجز	المعالجة المسبقة	الحالات	شكل	المهمة الافتراضية	تم الإنشاء (تم التحديث)	مرجع	الخالق
مجموعة بيانات الديدان الذكية	مجموعة بيانات توضح بالتفصيل انتشار دودة Witty وأجهزة الكمبيوتر المصابة.	تقسيمها إلى مجموعة متاحة للعامة ومجموعة مقيدة تحتوي على معلومات أكثر حساسية مثل عناوين IP وUDP.	55,909 عناوين IP	نص	تصنيف	2004	[154] [155]	مركز تحليل بيانات الإنترنت التطبيقية
مجموعة بيانات تقدير ضغط الدم بدون استخدام الكفة	تم تنظيف الإشارات الحيوية من المرضى البشر والتي يمكن استخدامها لتقدير ضغط الدم.	تم تنظيف العلامات الحيوية 125 هرتز.	12000	نص	التصنيف والانحدار	2015	[156] [157]	م. كاتشوي وآخرون.
مجموعة بيانات انحراف مجموعة مستشعرات الغاز	قياسات من 16 مستشعرًا كيميائيًا تم استخدامها في عمليات المحاكاة للتعويض عن الانجراف.	عدد كبير من الميزات المقدمة.	13,910	نص	تصنيف	2012	[158] [159]	أ. فيرجارا
مجموعة بيانات السيرفو	البيانات التي تغطي العلاقات غير الخطية التي لوحظت في دائرة مكبر الصوت المؤازر.	يتم إعطاء مستويات المكونات المختلفة كدالة للمكونات الأخرى.	167	نص	الانحدار	1993	[160] [161]	ك. أولريش
مجموعة بيانات UJIIndoorLoc-Mag	قاعدة بيانات تحديد المواقع الداخلية لاختبار أنظمة تحديد المواقع الداخلية. تعتمد البيانات على المجال المغناطيسي.	تم تقديم تقسيمات التدريب والاختبار.	40,000	نص	التصنيف والانحدار والتجميع	2015	[162] [163]	د. رامبلا وآخرون.
مجموعة بيانات تشخيص القيادة بدون مستشعر	الإشارات الكهربائية من المحركات ذات المكونات المعيبة.	الميزات الإحصائية المستخرجة.	58,508	نص	تصنيف	2015	[164] [165]	السيد باتور

اسم مجموعة البيانات	وصف موجز	المعالجة المسبقة	الحالات	شكل	المهمة الافتراضية	تم الإنشاء (تم التحديث)	مرجع	الخالق
الحوسبة القابلة للارتداء: تصنيف أوضاع الجسم وحركاته (PUC-Rio)	أشخاص يقومون بخمسة حركات قياسية أثناء ارتداء أجهزة تعقب الحركة.	لا أحد.	165,632	نص	تصنيف	2013	[166] [167]	الجامعة البابوية الكاثوليكية في ريو دي جانيرو
مجموعة بيانات تقسيم مرحلة الإيماءة	الميزات المستخرجة من فيديو لأشخاص يقومون بإيماءات مختلفة.	تهدف الميزات المستخرجة إلى دراسة تقسيم مرحلة الإيماءة.	9900	نص	التصنيف والتجميع	2014	[168] [169]	ر. ماديو وآخرون
مجموعة بيانات Vicon Physical Action مجموعة بيانات	10 تصرفات بدنية عادية و10 تصرفات عدوانية تقيس النشاط البشري الذي يتتبعه متتبع ثلاثي الأبعاد.	تم تسجيل العديد من المعلمات بواسطة متعقب ثلاثي الأبعاد.	3000	نص	تصنيف	2011	[170] [171]	ت. ثيودوريديس
مجموعة بيانات الأنشطة اليومية والرياضية	بيانات مستشعر المحرك لـ 19 نشاطًا يوميًا ورياضيًا.	تم توفير العديد من أجهزة الاستشعار، ولم يتم إجراء أي معالجة مسبقة على الإشارات.	9120	نص	تصنيف	2013	[172] [173]	ب. برشان وآخرون.
التعرف على النشاط البشري باستخدام مجموعة بيانات الهواتف الذكية	بيانات الجيروسكوب ومقياس التسارع من الأشخاص الذين يرتدون الهواتف الذكية ويقومون بإجراءات عادية.	يتم تصنيف الإجراءات التي يتم تنفيذها، ويتم معالجة جميع الإشارات مسبقًا بحثًا عن الضوضاء.	10,299	نص	تصنيف	2012	[174] [175]	ج. رييس-أورتيز وآخرون.
إشارات لغة الإشارة الأسترالية	إشارات لغة الإشارة الأسترالية تم التقاطها بواسطة قفازات تتبع الحركة.	لا أحد.	2565	نص	تصنيف	2002	[176] [177]	السيد كادوس
تمارين رفع الأثقال التي تتم مراقبتها باستخدام وحدات القياس بالقصور الذاتي	خمسة أشكال مختلفة من تمرين ثني العضلة ذات الرأسين تمت مراقبتها باستخدام أجهزة قياس القصور الذاتي (IMUs).	بعض الإحصائيات تم حسابها من البيانات الخام.	39,242	نص	تصنيف	2013	[178] [179]	و. أوجولينو وآخرون.
مجموعة بيانات sEMG لحركات اليد الأساسية	قاعدتي بيانات لإشارات تخطيط كهربية العضلات السطحية لست حركات لليد.	لا أحد.	3000	نص	تصنيف	2014	[180] [181]	ج. سابسانيس وآخرون.
مجموعة بيانات التعرف على الأنشطة REALDISP	تقييم التقنيات التي تتعامل مع تأثيرات إزاحة المستشعر في التعرف على الأنشطة القابلة للارتداء.	لا أحد.	1419	نص	تصنيف	2014	[181] [182]	أ. بانوس وآخرون.
مجموعة بيانات التعرف على الأنشطة غير المتجانسة	بيانات من أجهزة ذكية متعددة مختلفة للبشر الذين يقومون بأنشطة مختلفة.	لا أحد.	43,930,257	نص	التصنيف والتجميع	2015	[183] ​​[184]	أ. ستيسن وآخرون.
التنبؤ بحركة المستخدمين الداخليين من بيانات RSS	بيانات الشبكة اللاسلكية الزمنية التي يمكن استخدامها لتتبع حركة الأشخاص في مكتب ما.	لا أحد.	13,197	نص	تصنيف	2016	[185] [186]	د. باتشيو
مجموعة بيانات مراقبة النشاط البدني PAMAP2	18 نوعًا مختلفًا من الأنشطة البدنية التي قام بها 9 أشخاص يرتدون 3 أجهزة قياس بالقصور الذاتي.	لا أحد.	3,850,505	نص	تصنيف	2012	[187]	أ. رايس
مجموعة بيانات التعرف على الأنشطة OPPORTUNITY	التعرف على النشاط البشري من خلال أجهزة الاستشعار القابلة للارتداء والأشياء والمحيطة هي مجموعة بيانات تم تصميمها لمعايرة خوارزميات التعرف على النشاط البشري.	لا أحد.	2551	نص	تصنيف	2012	[188] [189]	د. روجين وآخرون.
مجموعة بيانات التعرف على الأنشطة في العالم الحقيقي	التعرف على النشاط البشري من خلال الأجهزة القابلة للارتداء. يميز بين سبعة أوضاع للأجهزة على الجسم ويتكون من ستة أنواع مختلفة من أجهزة الاستشعار.	لا أحد.	3,150,000 (لكل مستشعر)	نص	تصنيف	2016	[190]	ت. ستايلر وآخرون.
مجموعة بيانات وضعية السكتة الدماغية في مركز إعادة التأهيل في تورنتو	تقديرات وضعية الإنسان ثلاثية الأبعاد (Kinect) لمرضى السكتة الدماغية والمشاركين الأصحاء الذين يؤدون مجموعة من المهام باستخدام روبوت إعادة تأهيل السكتة الدماغية.	لا أحد.	10 أشخاص أصحاء و9 ناجين من السكتة الدماغية (3500-6000 إطار لكل شخص)	CSV	تصنيف	2017	[191] [192] [193]	إ. دولاتابادي وآخرون.
مجموعة من اللمسات الاجتماعية (CoST)	7805 لقطات إيماءة لـ 14 إيماءة لمس اجتماعية مختلفة قام بها 31 شخصًا. تم تنفيذ الإيماءات بثلاثة أشكال: لطيفة وعادية وخشنة، على شبكة مستشعر ضغط ملفوفة حول ذراع عارضة أزياء.	تتم تجزئة إيماءات اللمس التي يتم إجراؤها ووضع علامات عليها.	7805 التقاط الإيماءات	CSV	تصنيف	2016	[194] [195]	م. يونج وآخرون.

اسم مجموعة البيانات	وصف موجز	المعالجة المسبقة	الحالات	شكل	المهمة الافتراضية	تم الإنشاء (تم التحديث)	مرجع	الخالق
مجموعة بيانات النبيذ	التحليل الكيميائي للنبيذ المزروع في نفس المنطقة في إيطاليا ولكن المشتق من ثلاثة أصناف مختلفة.	تم ذكر 13 خاصية لكل نبيذ	178	نص	التصنيف والانحدار	1991	[196] [197]	م. فورينا وآخرون.
مجموعة بيانات محطة الطاقة ذات الدورة المركبة	بيانات من أجهزة استشعار مختلفة داخل محطة طاقة تعمل لمدة 6 سنوات.	لا أحد	9568	نص	الانحدار	2014	[198] [199]	ب. توفيكجي وآخرون.

مجموعة البيانات من الأنظمة الفيزيائية.

اسم مجموعة البيانات	وصف موجز	المعالجة المسبقة	الحالات	شكل	المهمة الافتراضية	تم الإنشاء (تم التحديث)	مرجع	الخالق
مجموعة بيانات HIGGS	محاكاة مونت كارلو لتصادمات مسرعات الجسيمات.	تم إعطاء 28 ميزة لكل تصادم.	11 مليون	نص	تصنيف	2014	[200] [201] [202]	د. وايتسون
مجموعة بيانات HEPMASS	محاكاة مونت كارلو لتصادمات مسرعات الجسيمات. الهدف هو فصل الإشارة عن الضوضاء.	تم إعطاء 28 ميزة لكل تصادم.	10,500,000	نص	تصنيف	2016	[201] [202] [203]	د. وايتسون

اسم مجموعة البيانات	وصف موجز	المعالجة المسبقة	الحالات	شكل	المهمة الافتراضية	تم الإنشاء (تم التحديث)	مرجع	الخالق
مجموعة بيانات ديناميكا المياه لليخوت	أداء اليخت على أساس الأبعاد.	يتم تقديم ستة ميزات لكل يخت.	308	نص	الانحدار	2013	[204] [205]	ر. لوبيز
مجموعة بيانات فشل تنفيذ الروبوت	5 مجموعات بيانات تركز على فشل الروبوتات في تنفيذ المهام الشائعة.	ميزات ذات قيمة صحيحة مثل عزم الدوران وقياسات المستشعرات الأخرى.	463	نص	تصنيف	1999	[206]	ل. سيبرا وآخرون.
مجموعة بيانات جسور بيتسبرغ	يتم تقديم وصف التصميم من حيث العديد من خصائص الجسور المختلفة.	يتم تقديم ميزات الجسر المختلفة.	108	نص	تصنيف	1990	[207] [208]	ي. رايش وآخرون.
مجموعة بيانات السيارات	بيانات عن السيارات ومخاطر التأمين عليها وخسائرها الطبيعية.	تم استخراج مميزات السيارة.	205	نص	الانحدار	1987	[209] [210]	ج. شيمر وآخرون.
مجموعة بيانات معدل استهلاك الوقود التلقائي	بيانات MPG للسيارات.	تم ذكر ثمانية مميزات لكل سيارة.	398	نص	الانحدار	1993	[211]	جامعة كارنيجي ميلون
مجموعة بيانات كفاءة الطاقة	متطلبات التدفئة والتبريد تعطى كدالة لمعلمات البناء.	تم إعطاء معلمات البناء.	768	نص	التصنيف والانحدار	2012	[212] [213]	أ. شيفارا وآخرون.
مجموعة بيانات الضوضاء الذاتية للجناح	سلسلة من الاختبارات الديناميكية الهوائية والصوتية لمقاطع شفرات الجناح ثنائية وثلاثية الأبعاد.	يتم تقديم بيانات حول التردد وزاوية الهجوم وما إلى ذلك.	1503	نص	الانحدار	2014	[214]	ر. لوبيز
مجموعة بيانات حلقات مكوك الفضاء تشالنجر الولايات المتحدة	محاولة التنبؤ بمشاكل الحلقة O بالنظر إلى بيانات Challenger السابقة.	يتم تقديم العديد من الميزات لكل رحلة، مثل درجة حرارة الإطلاق.	23	نص	الانحدار	1993	[215] [216]	د. درابر وآخرون.
مجموعة بيانات Statlog (Shuttle)	مجموعة بيانات مكوك الفضاء التابع لوكالة ناسا.	تم تقديم تسعة ميزات.	58000	نص	تصنيف	2002	[217]	ناسا

اسم مجموعة البيانات	وصف موجز	المعالجة المسبقة	الحالات	شكل	المهمة الافتراضية	تم الإنشاء (تم التحديث)	مرجع	الخالق
البراكين على كوكب الزهرة – مجموعة بيانات تجربة JARtool	صور كوكب الزهرة التي أرسلتها مركبة الفضاء ماجلان.	يتم تصنيف الصور من قبل البشر.	لم يتم اعطاءه	الصور	تصنيف	1991	[218] [219]	السيد بورل
مجموعة بيانات تلسكوب MAGIC Gamma	أحداث جسيمات جاما عالية الطاقة التي تم إنشاؤها بواسطة مونت كارلو.	تم استخراج العديد من الميزات من المحاكاة.	19,020	نص	تصنيف	2007	[219] [220]	ر. بوك
مجموعة بيانات التوهجات الشمسية	قياسات عدد أنواع معينة من أحداث التوهجات الشمسية التي تحدث خلال فترة 24 ساعة.	تم تقديم العديد من الميزات الخاصة بالتوهجات الشمسية.	1389	نص	الانحدار والتصنيف	1989	[221]	ج. برادشو
مجموعة بيانات CAMELS متعددة الحقول	خرائط ثنائية الأبعاد وشبكات ثلاثية الأبعاد من آلاف المحاكاة الهيدروديناميكية للجسم N والمتطورة التي تغطي نطاقًا واسعًا في قيمة المعلمات الكونية والفيزيائية الفلكية	تحتوي كل خريطة وشبكة على 6 معلمات كونية وفيزيائية فلكية مرتبطة بها	405000 خريطة ثنائية الأبعاد و405000 شبكة ثلاثية الأبعاد	خرائط ثنائية الأبعاد وشبكات ثلاثية الأبعاد	الانحدار	2021	[222]	فرانسيسكو فيلاسكوسا-نافارو وآخرون.

اسم مجموعة البيانات	وصف موجز	المعالجة المسبقة	الحالات	شكل	المهمة الافتراضية	تم الإنشاء (تم التحديث)	مرجع	الخالق
براكين العالم	بيانات الانفجارات البركانية لجميع الأحداث البركانية المعروفة على الأرض.	يتم تقديم تفاصيل مثل المنطقة والمنطقة الفرعية والبيئة التكتونية ونوع الصخور السائدة.	1535	نص	الانحدار والتصنيف	2013	[223]	إي. فينزكي وآخرون.
مجموعة بيانات المطبات الزلزالية	الأنشطة الزلزالية من منجم الفحم.	تم تصنيف النشاط الزلزالي على أنه خطير أو غير خطير.	2584	نص	تصنيف	2013	[224] [225]	م. سيكورا وآخرون.
جمال-الولايات المتحدة	مجموعة بيانات هيدرولوجيا مستجمعات المياه مع سلاسل زمنية هيدرولوجية وأرصاد جوية مختلفة وسمات مختلفة	انظر المرجع	671	CSV، نص، ملف الشكل	الانحدار	2017	[226] [227]	ن. أدور وآخرون. / أ. نيومان وآخرون.
جمال-تشيلي	مجموعة بيانات هيدرولوجيا مستجمعات المياه مع سلاسل زمنية هيدرولوجية وأرصاد جوية مختلفة وسمات مختلفة	انظر المرجع	516	CSV، نص، ملف الشكل	الانحدار	2018	[228]	سي. ألفاريز-جاريتون وآخرون.
جمال-البرازيل	مجموعة بيانات هيدرولوجيا مستجمعات المياه مع سلاسل زمنية هيدرولوجية وأرصاد جوية مختلفة وسمات مختلفة	انظر المرجع	897	CSV، نص، ملف الشكل	الانحدار	2020	[229]	V. شاغاس وآخرون.
جمال-بريطانيا العظمى	مجموعة بيانات هيدرولوجيا مستجمعات المياه مع سلاسل زمنية هيدرولوجية وأرصاد جوية مختلفة وسمات مختلفة	انظر المرجع	671	CSV، نص، ملف الشكل	الانحدار	2020	[230]	ج. كوكسون وآخرون.
الجمال-أستراليا	مجموعة بيانات هيدرولوجيا مستجمعات المياه مع سلاسل زمنية هيدرولوجية وأرصاد جوية مختلفة وسمات مختلفة	انظر المرجع	222	CSV، نص، ملف الشكل	الانحدار	2021	[231]	ك. فاولر وآخرون.
لمة -CE	مجموعة بيانات هيدرولوجيا مستجمعات المياه مع سلاسل زمنية هيدرولوجية وأرصاد جوية مختلفة وسمات مختلفة	انظر المرجع	859	CSV، نص، ملف الشكل	الانحدار	2021	[232]	ج. كلينجلر وآخرون.

اسم مجموعة البيانات	وصف موجز	المعالجة المسبقة	الحالات	شكل	المهمة الافتراضية	تم الإنشاء (تم التحديث)	مرجع	الخالق
مجموعة بيانات قوة ضغط الخرسانة	مجموعة بيانات عن خصائص الخرسانة وقوة الضغط.	يتم تقديم تسع ميزات لكل عينة.	1030	نص	الانحدار	2007	[233] [234]	أنا. يه
مجموعة بيانات اختبار انحدار الخرسانة	يتم تحديد تدفق الانهيار الخرساني من حيث الخصائص.	ميزات الخرسانة المذكورة مثل الرماد المتطاير والماء وما إلى ذلك.	103	نص	الانحدار	2009	[235] [236]	أنا. يه
مجموعة بيانات مسك	توقع ما إذا كان الجزيء، بالنظر إلى الميزات، سيكون مسكًا أم غير مسك.	تم إعطاء 168 خاصية لكل جزيء.	6598	نص	تصنيف	1994	[237]	شركة أريس للصناعات الدوائية
مجموعة بيانات أخطاء الصفائح الفولاذية	صفائح فولاذية من 7 أنواع مختلفة.	تم تقديم 27 ميزة لكل عينة.	1941	نص	تصنيف	2010	[238]	مركز سيميون للأبحاث
مجموعة بيانات الجسيمات النانوية أحادية المعدن النبيلة	معالجة وخصائص البنية للجسيمات النانوية أحادية المعدن، حيث تكون العلامات عبارة عن طاقة التكوين.	تم تقديم 85-182 ميزة لكل عينة.	425 إلى 4000	CSV	الانحدار	2017 إلى 2023	[239] [240] [241] [242] [243] [244]	أ. برنارد و ج. أوبليتال
مجموعة بيانات الجسيمات النانوية ثنائية المعدن من شركة نوبل ميتال	معالجة وخصائص البنية للجسيمات النانوية ثنائية المعدن، حيث تكون العلامات عبارة عن طاقة التكوين.	تم تقديم 922 ميزة لكل عينة.	138147 إلى 162770	CSV	الانحدار	2023	[245] [246] [247 ] [248] [249] [250] [251] [252 ] [ 253] [254] [255] [256]	ج. تينج وآخرون.
مجموعة بيانات الجسيمات النانوية ثلاثية المعادن AuPdPt	معالجة وخصائص البنية لجسيمات النانو AuPdPt، حيث تكون العلامات عبارة عن طاقة التكوين.	1958 ميزات معينة لكل عينة.	48136	CSV	الانحدار	2023	[257]	ك. لو وآخرون.

مجموعة البيانات من الأنظمة البيولوجية.

اسم مجموعة البيانات	وصف موجز	المعالجة المسبقة	الحالات	شكل	المهمة الافتراضية	تم الإنشاء (تم التحديث)	مرجع	الخالق
مجموعة بيانات العمر	مجموعة بيانات عامة منظمة عن حياة وعمل ووفاة 1.22 مليون شخص مميز. المجال العام.	طريقة مكونة من خمس خطوات لاستنتاج سنوات الميلاد والوفاة والجنس والمهنة من البيانات التي يرسلها المجتمع إلى جميع إصدارات اللغات لمشروع ويكيبيديا.	1,223,009	نص	الانحدار، التصنيف	2022	الورقة [258] مجموعة البيانات [259]	أمورادنجاد وآخرون.
مجموعة بيانات قاع العين الاصطناعية [260]	صور واقعية لشبكية العين وتقسيمات الأوعية الدموية. المجال العام.	2500 صورة بقياس 1500*1152 بكسل مفيدة لتجزئة وتصنيف الأوردة والشرايين على خلفية واحدة.	2500	الصور	التصنيف والتجزئة	2020	[261]	ج. فالنتي وآخرون.
قاعدة بيانات تخطيط كهربية الدماغ	دراسة لفحص ارتباط تخطيط كهربية الدماغ بالاستعداد الوراثي لإدمان الكحول.	تم إجراء القياسات من 64 قطبًا كهربائيًا تم وضعها على فروة الرأس وتم أخذ العينات منها بتردد 256 هرتز (3.9 مللي ثانية) لمدة ثانية واحدة.	122	نص	تصنيف	1999	[262]	ح. بيجليتر
مجموعة بيانات واجهة P300	بيانات من تسعة أشخاص تم جمعها باستخدام واجهة الدماغ والحاسوب القائمة على P300 للأشخاص ذوي الإعاقة.	مقسمة إلى أربع جلسات لكل موضوع. يتم إعطاء كود MATLAB .	1,224	نص	تصنيف	2008	[263] [264]	يو هوفمان وآخرون.
مجموعة بيانات أمراض القلب	يُنسب إلى المرضى المصابين بأمراض القلب وغير المصابين بها.	تم تقديم 75 سمة لكل مريض مع بعض القيم المفقودة.	303	نص	تصنيف	1988	[265] [266]	أ. جانوسي وآخرون.
مجموعة بيانات سرطان الثدي في ولاية ويسكونسن (التشخيصية)	مجموعة بيانات عن خصائص كتل الثدي. يتم تقديم التشخيصات من قبل الطبيب.	يتم إعطاء 10 ميزات لكل عينة.	569	نص	تصنيف	1995	[267] [268]	و. وولبيرج وآخرون.
المسح الوطني حول تعاطي المخدرات والصحة	دراسة استقصائية واسعة النطاق حول الصحة وتعاطي المخدرات في الولايات المتحدة.	لا أحد.	55,268	نص	التصنيف والانحدار	2012	[269]	وزارة الصحة والخدمات الإنسانية الأمريكية
مجموعة بيانات سرطان الرئة	مجموعة بيانات سرطان الرئة بدون تعريفات السمات	يتم تقديم 56 ميزة لكل حالة	32	نص	تصنيف	1992	[270] [271]	ز. هونغ وآخرون.
مجموعة بيانات عدم انتظام ضربات القلب	بيانات لمجموعة من المرضى، بعضهم يعاني من عدم انتظام ضربات القلب.	276 ميزة لكل حالة.	452	نص	تصنيف	1998	[272] [273]	ح. ألتاي وآخرون.
مجموعة بيانات Diabetes 130-المستشفيات الأمريكية للسنوات 1999-2008	9 سنوات من بيانات إعادة القبول عبر 130 مستشفى في الولايات المتحدة للمرضى المصابين بمرض السكري.	يتم تقديم العديد من الميزات لكل إعادة القبول.	100000	نص	التصنيف والتجميع	2014	[274] [275]	ج. كلور وآخرون.
مجموعة بيانات ديبرسين لاعتلال الشبكية السكري	السمات المستخرجة من صور العيون المصابة باعتلال الشبكية السكري وغير المصابة به.	تم استخراج الميزات وتشخيص الحالات.	1151	نص	تصنيف	2014	[276] [277]	ب. أنطال وآخرون.
مجموعة بيانات اعتلال الشبكية السكري في ميسيدور	طرق تقييم تقنيات التجزئة والفهرسة في مجال طب شبكية العين (MESSIDOR)	ميزات درجة اعتلال الشبكية وخطر الوذمة البقعية	1200	الصور والنصوص	التصنيف والتجزئة	2008	[278] [279]	مشروع ميسيدور
مجموعة بيانات اضطرابات الكبد	بيانات للأشخاص الذين يعانون من اضطرابات الكبد.	يتم إعطاء سبعة سمات بيولوجية لكل مريض.	345	نص	تصنيف	1990	[280] [281]	شركة بوبا للأبحاث الطبية المحدودة
مجموعة بيانات أمراض الغدة الدرقية	10 قواعد بيانات لبيانات مرضى الغدة الدرقية.	لا أحد.	7200	نص	تصنيف	1987	[282] [283]	ر. كوينلان
مجموعة بيانات الورم المتوسطة	بيانات مرضى الورم المتوسطة.	يتم تقديم عدد كبير من الميزات، بما في ذلك التعرض للأسبستوس.	324	نص	تصنيف	2016	[284] [285]	أ. تانريكولو وآخرون.
مجموعة بيانات تقدير الوضعية بناءً على الرؤية لدى مرضى باركنسون	تقديرات وضعية الإنسان ثنائية الأبعاد لمرضى باركنسون أثناء قيامهم بمجموعة متنوعة من المهام.	تمت إزالة اهتزاز الكاميرا من المسارات.	134	نص	التصنيف والانحدار	2017	[286] [287] [288]	م. لي وآخرون.
مجموعة بيانات شبكة التفاعل الأيضي KEGG (غير الموجهة)	شبكة المسارات الأيضية. يتم تقديم شبكة التفاعل وشبكة العلاقات .	يتم تقديم الميزات التفصيلية لكل عقدة شبكة ومسار.	65,554	نص	التصنيف والتجميع والانحدار	2011	[289]	م. نعيم وآخرون.
مجموعة بيانات تحليل مورفولوجيا الحيوانات المنوية البشرية المعدلة (MHSMA)	صور الحيوانات المنوية البشرية من 235 مريضًا يعانون من العقم عند الذكور، مصنفة حسب الحيوانات المنوية الطبيعية أو غير الطبيعية، الأكروسوم، الرأس، الفجوة، والذيل.	تم قصها حول رأس حيوان منوي واحد. تم تطبيع التكبير. تم إنشاء تقسيمات مجموعة التدريب والتحقق والاختبار.	1,540	ملفات .npy	تصنيف	2019	[290] [291]	س. جافادي وس. أ. ميروشاندل

اسم مجموعة البيانات	وصف موجز	المعالجة المسبقة	الحالات	شكل	المهمة الافتراضية	تم الإنشاء (تم التحديث)	مرجع	الخالق
مجموعة بيانات الأبالون	القياسات الفيزيائية لأذن البحر، كما تم توضيح أنماط الطقس والموقع.	لا أحد.	4177	نص	الانحدار	1995	[292]	مختبرات الأبحاث البحرية – تارونا
مجموعة بيانات حديقة الحيوان	مجموعة بيانات اصطناعية تغطي 7 فئات من الحيوانات.	يتم تصنيف الحيوانات إلى 7 فئات ويتم إعطاء ميزات لكل منها.	101	نص	تصنيف	1990	[293]	ر. فورسيث
مجموعة بيانات الإسفنجيات	بيانات عن الإسفنج البحري.	يتم وصف 503 إسفنجة في فئة Demosponge بميزات مختلفة.	503	نص	تصنيف	2010	[294]	إي. أرمينجول وآخرون.
بيانات الحيوانات في المزرعة	جرد بيانات PLF (الأبقار والخنازير والموقع والتسارع وما إلى ذلك).	مجموعات البيانات المُسمّاة.	يتم تحديث القائمة باستمرار	نص	تصنيف	2020	[295]	ف. بلوخ
مجموعة بيانات تسلسلات جينات الوصلات الموصولة	تسلسلات جينات الوصلة الوصلية (DNA) لدى الرئيسيات مع نظرية المجال غير الكامل المرتبطة بها.	لا أحد.	3190	نص	تصنيف	1992	[271]	ج. تاول وآخرون.
مجموعة بيانات تعبير البروتين لدى الفئران	مستويات التعبير عن 77 بروتينًا تم قياسها في القشرة المخية للفئران.	لا أحد.	1080	نص	التصنيف والتجميع	2015	[296] [297]	ج. هيجيرا وآخرون.

اسم مجموعة البيانات	وصف موجز	المعالجة المسبقة	الحالات	شكل	المهمة الافتراضية	تم الإنشاء (تم التحديث)	مرجع	الخالق
مجموعة بيانات UCI Mushroom	صفات الفطر وتصنيفه.	يتم ذكر العديد من خصائص كل فطر.	8124	نص	تصنيف	1987	[298]	ج. شليمر
مجموعة بيانات الفطر الثانوية	صفات الفطر وتصنيفه	بيانات محاكاة من إدخالات فطر أولية أكبر وأكثر واقعية. قابلة للتكرار بالكامل.	61069	نص	تصنيف	2020	[299] [300]	د. فاغنر وآخرون.

اسم مجموعة البيانات	وصف موجز	المعالجة المسبقة	الحالات	شكل	المهمة الافتراضية	تم الإنشاء (تم التحديث)	مرجع	الخالق
مجموعة بيانات حرائق الغابات	حرائق الغابات وخصائصها	تم استخراج 13 ميزة لكل حريق.	517	نص	الانحدار	2008	[301] [302]	ب. كورتيز وآخرون.
مجموعة بيانات القزحية	يتم وصف ثلاثة أنواع من نباتات السوسن من خلال 4 سمات مختلفة.	لا أحد.	150	نص	تصنيف	1936	[303] [304]	ر. فيشر
مجموعة بيانات أوراق أنواع النباتات	ستة عشر عينة من أوراق كل مائة نوع من النباتات.	يتم تقديم وصف الشكل، والهامش الدقيق، ومخططات الملمس.	1600	نص	تصنيف	2012	[305] [306]	ج. كوب وآخرون.
مجموعة بيانات فول الصويا	قاعدة بيانات نباتات فول الصويا المريضة.	تم ذكر 35 خاصية لكل نبات، وتم تصنيف النباتات إلى 19 فئة.	307	نص	تصنيف	1988	[307]	ر. ميشالسكي وآخرون.
مجموعة بيانات البذور	قياس الخصائص الهندسية للحبوب التابعة لثلاثة أصناف مختلفة من القمح.	لا أحد.	210	نص	التصنيف والتجميع	2012	[308] [309]	شاريتانوفيتش وآخرون.
مجموعة بيانات الغلاف	بيانات للتنبؤ بنوع الغطاء الحرجي من المتغيرات الخرائطية بشكل صارم.	تم تقديم العديد من الميزات الجغرافية.	581,012	نص	تصنيف	1998	[310] [311]	ج. بلاكارد وآخرون.
مجموعة بيانات شبكة إشارات حمض الأبسيسيك	بيانات لشبكة إشارات النباتات. الهدف هو تحديد مجموعة القواعد التي تحكم الشبكة.	لا أحد.	300	نص	الاكتشاف السببي	2008	[312]	ج. جينكينز وآخرون.
مجموعة بيانات فوليو	20 صورة لأوراق كل نوع من 32 نوعًا.	لا أحد.	637	الصور والنصوص	التصنيف والتجميع	2015	[313] [314]	ت. مونيسامي وآخرون.
مجموعة بيانات زهور أكسفورد	مجموعة بيانات مكونة من 17 فئة من الزهور.	تقسيمات التدريب/الاختبار، الصور الموسومة،	1360	الصور والنصوص	تصنيف	2006	[315] [316]	ME نيلسباك وآخرون.
مجموعة بيانات شتلات النباتات	مجموعة بيانات مكونة من 12 فئة من شتلات النباتات.	الصور المصنفة، الصور المجزأة،	5544	الصور	التصنيف والكشف	2017	[317]	جيسلسون وآخرون.
فواكه-360	قاعدة بيانات تحتوي على صور 131 نوع من الفواكه والخضروات.	100×100 بكسل، خلفية بيضاء.	90483	الصور (jpg)	تصنيف	2017–2024	[318]	ميهاي أولتيان
تطبيق Weed-ID	قاعدة بيانات تحتوي على 1025 نوعًا، وأكثر من 13500 صورة، وأكثر من 120000 سمة	أحجام وخلفيات مختلفة. تم تصنيفها بواسطة عالم نبات حاصل على درجة الدكتوراه.	13,500	الصور والنصوص	تصنيف	1999-2024	[319]	ريتشارد أولد
مجموعة بيانات CottonWeedDet3	مجموعة بيانات مكونة من 3 فئات لكشف الأعشاب الضارة لأنظمة زراعة القطن	3 أنواع من الأعشاب الضارة.	848	الصور	تصنيف	2022	[320]	رحمن وآخرون.

اسم مجموعة البيانات	وصف موجز	المعالجة المسبقة	الحالات	شكل	المهمة الافتراضية	تم الإنشاء (تم التحديث)	مرجع	الخالق
مجموعة بيانات إيكولي	مواقع تواجد البروتين.	يتم تقديم ميزات مختلفة لمواقع توطين البروتين.	336	نص	تصنيف	1996	[321] [322]	ك. ناكاي وآخرون.
مجموعة بيانات MicroMass	التعرف على الكائنات الحية الدقيقة من بيانات مطياف الكتلة.	ميزات مطياف الكتلة المتنوعة.	931	نص	تصنيف	2013	[323] [324]	ب. ماهي وآخرون.
مجموعة بيانات الخميرة	التنبؤ بمواقع توطين البروتينات في الخلايا.	يتم تقديم ثمانية ميزات لكل حالة.	1484	نص	تصنيف	1996	[325] [326]	ك. ناكاي وآخرون.

اسم مجموعة البيانات	وصف موجز	المعالجة المسبقة	الحالات	شكل	المهمة الافتراضية	تم الإنشاء (تم التحديث)	مرجع	الخالق
مجموعة بيانات Tox21	التنبؤ بنتائج التحاليل البيولوجية.	يتم إعطاء الوصافات الكيميائية للجزيئات.	12707	نص	تصنيف	2016	[327]	أ. ماير وآخرون.

اسم مجموعة البيانات	وصف موجز	المعالجة المسبقة	الحالات	شكل	المهمة الافتراضية	تم الإنشاء (تم التحديث)	مرجع	الخالق
معيار الشذوذ Numenta (NAB)	البيانات عبارة عن مقاييس مرتبة ومؤقتة وذات قيمة واحدة. تحتوي جميع ملفات البيانات على شذوذ، ما لم يُذكر خلاف ذلك.	لا أحد	أكثر من 50 ملفًا	CSV	كشف الشذوذ	2016 (تحديث مستمر)	[328]	نومنتا
معيار شذوذ Skoltech (SKAB)	يمثل كل ملف تجربة واحدة ويحتوي على شذوذ واحد. تمثل مجموعة البيانات سلسلة زمنية متعددة المتغيرات تم جمعها من أجهزة الاستشعار المثبتة على منصة الاختبار.	هناك نوعان من العلامات لمشكلات اكتشاف القيم الشاذة (الشذوذ النقطي) واكتشاف نقطة التغيير (الشذوذ الجماعي)	أكثر من 30 ملفًا (الإصدار 0.9)	CSV	كشف الشذوذ	2020 (تحديث مستمر)	[329] [330]	يوري د. كاتسر وفياتشيسلاف أو. كوزيتسين
حول تقييم اكتشاف القيم المتطرفة غير الخاضعة للإشراف: المقاييس ومجموعات البيانات ودراسة تجريبية	يتم تكييف معظم ملفات البيانات من بيانات مستودع التعلم الآلي بجامعة كاليفورنيا، ويتم جمع بعضها من الأدبيات.	تم معالجتها للقيم المفقودة، والسمات الرقمية فقط، ونسب مختلفة من الشذوذ، والعلامات	أكثر من 1000 ملف	أرف	كشف الشذوذ	2016 (ربما تم تحديثه بمجموعات بيانات و/أو نتائج جديدة)	[331]	كامبوس وآخرون.

يتضمن هذا القسم مجموعات البيانات التي تتعامل مع البيانات المنظمة.

اسم مجموعة البيانات	وصف موجز	المعالجة المسبقة	الحالات	شكل	المهمة الافتراضية	تم الإنشاء (تم التحديث)	مرجع	الخالق
مجموعة بيانات DBpedia Neural Question Answering (DBNQA)	مجموعة كبيرة من الأسئلة الموجهة إلى SPARQL مصممة خصيصًا للإجابة على الأسئلة العصبية في المجال المفتوح عبر قاعدة بيانات المعرفة DBpedia.	تحتوي مجموعة البيانات هذه على مجموعة كبيرة من قوالب SPARQL العصبية المفتوحة ومثيلاتها لتدريب آلات SPARQL العصبية؛ وقد تمت معالجتها مسبقًا بواسطة أدوات التعليق شبه الآلية بالإضافة إلى ثلاثة خبراء SPARQL.	894,499	أزواج السؤال-الاستفسار	الإجابة على الأسئلة	2018	[332] [333]	هارتمان، سورو، وماركس وآخرون.
مجموعة بيانات الإجابة على الأسئلة باللغة الفيتنامية (UIT-ViQuAD)	مجموعة كبيرة من الأسئلة الفيتنامية لتقييم نماذج MRC.	تتضمن مجموعة البيانات هذه أكثر من 23000 زوجًا من الأسئلة والأجوبة التي تم إنشاؤها بواسطة الإنسان بناءً على 5109 فقرة من 174 مقالة فيتنامية من ويكيبيديا.	23,074	أزواج الأسئلة والأجوبة	الإجابة على الأسئلة	2020	[334]	نجوين وآخرون.
مجموعة قراءة آلية متعددة الخيارات باللغة الفيتنامية (ViMMRC)	مجموعة من أسئلة الاختيار من متعدد باللغة الفيتنامية لتقييم نماذج MRC.	يتضمن هذا الكتاب 2783 سؤالاً اختياريًا متعددًا باللغة الفيتنامية.	2,783	أزواج الأسئلة والأجوبة	الإجابة على الأسئلة/فهم القراءة الآلية	2020	[335]	نجوين وآخرون.
الإجابة على الأسئلة في المجال المفتوح تتحول إلى محادثة من خلال إعادة كتابة الأسئلة	الإجابة على أسئلة المجال المفتوح من البداية إلى النهاية.	تتضمن مجموعة البيانات هذه 14000 محادثة مع 81000 زوج من الأسئلة والأجوبة.		السياق، السؤال، إعادة الكتابة، الإجابة، عنوان URL للإجابة، رقم المحادثة، رقم التحويل، مصدر المحادثة يتم توفير المزيد من التفاصيل في مستودع GitHub الخاص بالمشروع وبطاقة مجموعة البيانات Hugging Face ذات الصلة.	الإجابة على الأسئلة	2021	[336]	أنانثا وفاكولينكو وآخرون.
توحيد ضمان الجودة	بيانات الأسئلة والأجوبة	مجموعة البيانات المعالجة			الإجابة على الأسئلة	2020	[337]	خشابي وآخرون.

يتضمن هذا القسم مجموعات البيانات التي ...

اسم مجموعة البيانات	وصف موجز	المعالجة المسبقة	الحالات	شكل	المهمة الافتراضية	تم الإنشاء (تم التحديث)	مرجع	الخالق
مدير المهام	"يتكون مجموعة Taskmaster من ثلاث مجموعات بيانات، Taskmaster-1 (TM-1)، وTaskmaster-2 (TM-2)، وTaskmaster-3 (TM-3)، والتي تضم أكثر من 55000 حوار موجه نحو المهام، شفهيًا ومكتوبًا، في أكثر من اثني عشر مجالًا." [338]	Taskmaster-1: مجموعة بيانات محادثة موجهة نحو الهدف. تتضمن 13215 حوارًا قائمًا على المهام تتألف من ستة مجالات. Taskmaster-2: 17,289 حوارًا في المجالات السبعة (المطاعم، وطلب الطعام، والأفلام، والفنادق، والرحلات الجوية، والموسيقى والرياضة). Taskmaster-3: 23,757 حوارات شراء تذاكر الأفلام.		Taskmaster-1 وTaskmaster-2: معرف المحادثة، والعبارات، ومعرف التعليمات Taskmaster-3: معرف المحادثة، العبارات، العمودي، السيناريو، التعليمات. لمزيد من التفاصيل، راجع مستودع GitHub الخاص بالمشروع أو بطاقات مجموعة بيانات Hugging Face (taskmaster-1، taskmaster-2، taskmaster-3).	الحوار/التعليمات المطلوبة	2019	[339]	بيرن وكريشنامورثي وآخرون.
دكتور ريبير	مجموعة بيانات مُصنَّفة لإصلاح البرنامج.	البيانات المعالجة مسبقًا		تحقق من تفاصيل التنسيق في ورقة عمل المشروع.	الحوار/التعليمات المطلوبة	2020	[340]	ميتشيرو وآخرون.
التعليمات الطبيعية الإصدار الثاني	مجموعة بيانات كبيرة تغطي نطاقًا أوسع من قدرات التفكير			تتكون كل مهمة من الإدخال/الإخراج، وتعريف المهمة. بالإضافة إلى ذلك، يحتوي كل طلب على تعريف للمهمة. تتوفر معلومات إضافية في مستودع GitHub الخاص بالمشروع وبطاقة بيانات Hugging Face.	الإدخال/الإخراج وتعريف المهمة	2022	[341]	وانغ وآخرون.
لامبادا	"LAMBADA عبارة عن مجموعة من المقاطع السردية التي تشترك في خاصية مفادها أن الأشخاص قادرين على تخمين كلمتهم الأخيرة إذا تعرضوا للمقطع بأكمله، ولكن ليس إذا رأوا فقط الجملة الأخيرة التي تسبق الكلمة المستهدفة." [342]			تتوفر معلومات حول تنسيق هذه المجموعة من البيانات في بطاقة مجموعة البيانات HuggingFace وموقع الويب الخاص بالمشروع. يمكن تنزيل مجموعة البيانات هنا، والبيانات المرفوضة هنا.		2016	[343]	بابيرنو وآخرون.
فلان		يتوفر إصدار تمت معالجته مسبقًا من مجموعة بيانات FLAN مع التحديثات منذ إصدار مجموعة بيانات FLAN الأصلية في Hugging Face: بيانات الاختبار بيانات القطار بيانات التحقق تتوفر البرامج النصية لمعالجة البيانات في مستودع GitHub المذكور في الورقة: https://github.com/google-research/FLAN/tree/main/flan. تم إنشاء مستودع آخر لـ FLAN على GitHub أيضًا. وهو المستودع المرتبط ببطاقة مجموعة البيانات في Hugging Face.				2021	[344]	وي وآخرون.

اسم مجموعة البيانات	وصف موجز	المعالجة المسبقة	الحالات	شكل	المهمة الافتراضية	تم الإنشاء (تم التحديث)	مرجع	الخالق
هجوم الميتري	ATT&CK هي قاعدة معرفية يمكن الوصول إليها عالميًا لتكتيكات وتقنيات الخصم.			يمكن تنزيل البيانات من مستودعي GitHub التاليين: الإصدار 2.1 والإصدار 2.0			[345]	هجوم الميتري
كابيك	حصر وتصنيف أنماط الهجوم الشائعة			يمكن تنزيل البيانات من موقع CAPEC على الإنترنت: آليات الهجوم مجالات الهجوم			[346]	كابيك
سي في إي	CVE عبارة عن قائمة من الثغرات الأمنية السيبرانية التي تم الكشف عنها علنًا والتي يمكن البحث عنها واستخدامها ودمجها في المنتجات والخدمات مجانًا.			يمكن تنزيل البيانات من: Allitems			[347]	سي في إي
سي دبليو إي	بيانات تعداد نقاط الضعف الشائعة.			يمكن تنزيل البيانات من: تطوير البرمجيات تصميم الأجهزة [ رابط ميت دائم ‍ ] مفاهيم البحث			[348]	سي دبليو إي
مالويرتكست دي بي	قاعدة بيانات توضيحية لنصوص البرامج الضارة.			يحتوي مستودع GitHub الخاص بالمشروع على البيانات التي يمكن تنزيلها.			[349]	كيات وآخرون.
وقائع ندوة أمن USENIX	مجموعة من الإجراءات الأمنية من ندوة أمن USENIX - الجلسات الفنية من عام 1995 إلى عام 2022.	هذه البيانات لم تتم معالجتها مسبقًا.		1995، 1996، 1997، 1998، 1999، 2000، 2001، 2002، 2003، 2004، 2005، 2006، 2007، 2008، 2009، 2010 2011، 2012، 2013، 2014، 2015، 2016، 2017، 2018، 2019، 2020، 2021، 2022.			[350]	ندوة أمن USENIX
ملاحظات APT	مجموعة من الوثائق العامة والأوراق البيضاء والمقالات حول حملات التهديدات المتقدمة المستمرة. جميع الوثائق عبارة عن بيانات متاحة للعامة.	هذه البيانات لم تتم معالجتها مسبقًا.		يحتوي مستودع GitHub الخاص بالمشروع على ملف يحتوي على روابط للبيانات المخزنة في box. يمكن أيضًا تنزيل ملفات البيانات هنا.			[351]	ملاحظات APT
مقالات arXiv حول التشفير والأمان	مجموعة من المقالات حول الأمن السيبراني	هذه البيانات لم تتم معالجتها مسبقًا.		جميع المقالات متوفرة هنا.			[352]	أركسيف
كتب إلكترونية مجانية عن الأمن	مجموعة صغيرة من الكتب الإلكترونية المتعلقة بالأمن، والعروض التقديمية المتعلقة بالأمن المتاحة للعامة.	هذه البيانات لم تتم معالجتها مسبقًا.					[353] [354] [355] [356] [357] [358] [359] [360] [ 361] [362] [363] [364]
مستودع استراتيجية الأمن السيبراني الوطني	مستودع للوثائق الاستراتيجية العالمية حول الأمن السيبراني.	هذه البيانات لم تتم معالجتها مسبقًا.					[365]
الأمن السيبراني ومعالجة اللغة الطبيعية	بيانات حول استراتيجيات الأمن السيبراني من أكثر من 75 دولة.	التجزئة، إزالة الكلمات المتكررة التي لا معنى لها.					[366]	يانلين تشين، يونجيان وي، ييفان يو، ون شيويه، زيانيا تشين
مجموعة تقارير APT	عينة من تقارير التهديدات المتقدمة المستمرة، والبرامج الضارة، والتكنولوجيا، وجمع المعلومات الاستخباراتية	البيانات الخام والرمزية متاحة.		تتوفر كافة البيانات في مستودع GitHub هذا.			[ بحاجة لمصدر ]	طائر أسود
مجموعة بيانات تحديد اللغة الهجومية (OLID)				البيانات متوفرة في موقع المشروع. البيانات متاحة هنا أيضًا.			[367]	زامبيري وآخرون.
تقارير سيبرانية من المركز الوطني للأمن السيبراني		هذه البيانات لم تتم معالجتها مسبقًا.		تقارير التهديدات، التقارير والاستشارات، الأخبار، المدونات، الخطب. قائمة بديلة للتقارير.			[368]
تقارير APT من شركة Kaspersky		هذه البيانات لم تتم معالجتها مسبقًا.					[369]
السلك السيبراني		هذه البيانات لم تتم معالجتها مسبقًا.		النشرات الإخبارية والبودكاست والقصص.			[370]
أخبار خروقات البيانات		هذه البيانات لم تتم معالجتها مسبقًا.		الأخبار، قائمة الأخبار من أغسطس 2022 إلى فبراير 2023			[371]
أخبار الإنترنت		هذه البيانات لم تتم معالجتها مسبقًا.		الأخبار، قائمة مختارة من الأخبار			[372]
الكمبيوتر النازف		هذه البيانات لم تتم معالجتها مسبقًا.		أخبار			[373]
السجل		هذه البيانات لم تتم معالجتها مسبقًا.		اخبار الجرائم الالكترونية			[374]
هاكر ريد		هذه البيانات لم تتم معالجتها مسبقًا.		اخبار القرصنة			[375]
قائمة آمنة		هذه البيانات لم تتم معالجتها مسبقًا.		تقارير APT، الأرشيف، تقارير DDOS، الحوادث، نشرة Kaspersky الأمنية، التهديدات الصناعية، تقارير البرامج الضارة، الآراء، المنشورات، الأبحاث، وSAS.			[376]
مشروع الجص	يقوم مشروع Stucco بجمع البيانات التي لا يتم دمجها عادةً في أنظمة الأمان.	هذه البيانات ليست معالجة مسبقًا		موقع المشروع على شبكة الإنترنت مع معلومات البيانات المصدر الذي تمت مراجعته مع روابط لمصادر البيانات			[377]
الأمن البصري	موقع ويب يحتوي على معلومات تقنية وتقارير والمزيد حول مواضيع الأمان.	هذه البيانات ليست معالجة مسبقًا		المعلومات التقنية والأبحاث والتقارير.			[378]
شناير	موقع يحتوي على أوراق أكاديمية حول مواضيع أمنية.	هذه البيانات ليست معالجة مسبقًا		الأوراق حسب الفئة، أرشيف الأوراق حسب التاريخ.			[379]
تريندميكرو	موقع يحتوي على أبحاث وأخبار ووجهات نظر حول مواضيع أمنية.	هذه البيانات ليست معالجة مسبقًا		قائمة تمت مراجعتها لأبحاث Trendmicro والأخبار والآراء.			[380]
أخبار الهاكر	أخبار حول مواضيع الأمن السيبراني.	هذه البيانات ليست معالجة مسبقًا		أخبار عن انتهاكات البيانات والهجمات الإلكترونية والثغرات الأمنية والبرامج الضارة.			[381]
كريبسون سيكيوريتي	أخبار الأمن والتحقيقات	هذه البيانات ليست معالجة مسبقًا		قائمة مختارة من الأخبار			[382]
ميتري الدفاع	مصفوفة من القطع الأثرية الدفاعية			ملفات json			[383]
أطلس ميتري	Mitre Atlas هي قاعدة معرفية لتكتيكات الخصم وتقنياته ودراسات الحالة لأنظمة التعلم الآلي (ML) استنادًا إلى الملاحظات في العالم الحقيقي.	هذه البيانات ليست معالجة مسبقًا					[384]
ميتري إنجيج	MITRE Engage هو إطار عمل للتخطيط ومناقشة عمليات إشراك الخصوم والذي يمكّنك من إشراك خصومك وتحقيق أهدافك المتعلقة بالأمن السيبراني.	هذه البيانات ليست معالجة مسبقًا					[385]
دروس الاختراق		هذه البيانات ليست معالجة مسبقًا					[386]

اسم مجموعة البيانات	وصف موجز	المعالجة المسبقة	الحالات	شكل	المهمة الافتراضية	تم الإنشاء (تم التحديث)	مرجع	الخالق
تقارير لجنة الإفصاح المالي المتعلقة بالمناخ	قاعدة بيانات لتقارير الشركات التي تتضمن إفصاحات متعلقة بـ TCFD.	هذه البيانات ليست معالجة مسبقًا		رابط مباشر للتقاريرقائمة مختارة من التقارير			[387]	مركز معرفة TCFD
تقارير المسؤولية الاجتماعية للشركات	قائمة تقارير المسؤولية على شبكة الإنترنت.	هذه البيانات ليست معالجة مسبقًا		قائمة التقارير المنسقة			[388]	تقارير المسئولية
الهيئة الحكومية الدولية المعنية بتغير المناخ (IPCC)	مجموعة من تقارير التقييم الشاملة حول المعرفة المتعلقة بتغير المناخ وأسبابه وتأثيراته المحتملة وخيارات الاستجابة	هذه البيانات ليست معالجة مسبقًا		التقاريرقائمة مختارة من التقارير			[389]	اللجنة الدولية للتغيرات المناخية
التحالف من أجل البحوث حول الاستدامة المؤسسية		هذه البيانات ليست معالجة مسبقًا		قائمة مختارة من منشورات المدونة			[390]	أركس
مجموعة ESG: مركز المعرفة للمحاسبة من أجل الاستدامة		هذه البيانات ليست معالجة مسبقًا		أدلة ودراسات حالة ومدونات وتقارير واستطلاعات.			[391]	ميهرا وآخرون.
حمى المناخ	مجموعة بيانات تتبنى منهجية FEVER وتتكون من 1535 ادعاءً حقيقيًا بشأن تغير المناخ تم جمعها على الإنترنت.	يرافق كل ادعاء خمس جمل أدلة مُعلقة يدويًا تم استردادها من ويكيبيديا الإنجليزية والتي تدعم أو تدحض أو لا تقدم معلومات كافية للتحقق من صحة الادعاء، ويبلغ مجموعها 7675 زوجًا من الادعاء والدليل. [392]		مجموعة بيانات بطاقة HF، ومستودع GitHub الخاص بالمشروع.			[393]	ديجلمان وآخرون.
مجموعة بيانات أخبار المناخ	مجموعة بيانات للباحثين في مجال معالجة اللغة الطبيعية ووسائل الإعلام الخاصة بتغير المناخ	تتكون مجموعة البيانات من عدد من عناصر البيانات (ملفات نصية بتنسيق JSON وJSONL وCSV وقاعدة بيانات SQLite)		قاعدة بيانات أخبار المناخ، مستودع GitHub الخاص بالمشروع			[394]	كفاءة ADGE
كلايمتكست	Climatext هي مجموعة بيانات للكشف عن موضوعات تغير المناخ استنادًا إلى الجملة.			مجموعة بيانات التردد العالي			[395]	جامعة زيورخ
جرين بيز	مجموعة من المقالات والأخبار حول المناخ والاستدامة	هذه البيانات ليست معالجة مسبقًا		قائمة مختارة من المقالات حول المناخقائمة مختارة من المقالات حول الاستدامة			[396]
أفضل الأبحاث المسبقة في مجال المناخ والاستدامة	قائمة المطبوعات المسبقة للباحثين في قائمة رويترز الساخنة	هذه البيانات ليست معالجة مسبقًا		قائمة مختارة من المطبوعات المسبقة			[397]	موريس تامان
أركس		هذه البيانات ليست معالجة مسبقًا		قائمة مختارة من مدونات الاستدامة المؤسسية			[398]
جرين بيز	موقع يحتوي على مقالات حول المناخ والاستدامة	هذه البيانات ليست معالجة مسبقًا					[399]	جرين بيز
سي إس آر واير		هذه البيانات ليست معالجة مسبقًا		قائمة مختارة من المقالات			[400]	سي إس آر واير
مركز بيانات العملاء	مقالات عن المناخ والمياه والغابات	هذه البيانات ليست معالجة مسبقًا					[401]	مركز بيانات العملاء

اسم مجموعة البيانات	وصف موجز	المعالجة المسبقة	الحالات	شكل	المهمة الافتراضية	تم الإنشاء (تم التحديث)	مرجع	الخالق
المكدس	مجموعة بيانات بحجم 3.1 تيرابايت تتكون من كود مصدر مرخص بـ 30 لغة برمجة.	تم تصفيته من خلال اكتشاف الترخيص وإزالة التكرار.	6 تيرابايت، 51.76 بايت ملف (قبل إزالة التكرار)؛ 3 تيرابايت، 5.28 بايت ملف (بعد). 358 لغة برمجة.	باركيه	نمذجة اللغة، الإكمال التلقائي، توليف البرامج.	2022	[402] [403]	D. Kocetkov، R. Li، L. Ben Allal، L. von Werra، H. de Vries
مستودعات GitHub		هذه البيانات ليست معالجة مسبقًا		قائمة مختارة من المستودعات من GitHub : 61 62 63 64 65 66 67 68 69 70 71، 72، 73، 74، 75، 76، 77 101
مستودعات IBM العامة على GitHub		هذه البيانات ليست معالجة مسبقًا		قائمة مختارة من المستودعات من GitHub
مستودعات RedHat العامة على GitHub		هذه البيانات ليست معالجة مسبقًا		قائمة مختارة من المستودعات من GitHub
ملفات أرشيف StackExchange Public Archive.org		هذه البيانات ليست معالجة مسبقًا		قائمة مختارة من الملفات من Archive.org
مستودعات Gitlab العامة		هذه البيانات ليست معالجة مسبقًا		قائمة مختارة من المستودعات من Gitlab : 1 2
مستودعات Ansible Collections العامة		هذه البيانات ليست معالجة مسبقًا		قائمة مختارة من المستودعات من GitHub .
مجموعة بيانات كود GitHub الخاصة بـ CodeParrot		هذه البيانات ليست معالجة مسبقًا		قائمة مختارة من المستودعات من Hugging Face : 1 2 3 4 5 6 7 8 9 10
أوكد	التوزيع المجتمعي لـ Kubernetes الذي يدعم Red Hat OpenShift	هذه البيانات ليست معالجة مسبقًا		قائمة مستودعات GitHub للمشروع
أوبن شفت	توزيع Kubernetes الصديق للمطورين والعمليات			قائمة مستودعات GitHub للمشروع
كوبيرنيتس		هذه البيانات ليست معالجة مسبقًا		قائمة مستودعات GitHub للمشروع
مطور ريد هات	GitHub موطن برنامج Red Hat Developer	هذه البيانات ليست معالجة مسبقًا		قائمة مستودعات GitHub للمشروع
القبعة الحمراء ورش العمل		هذه البيانات ليست معالجة مسبقًا		قائمة مستودعات GitHub للمشروع
مجموعات الاهتمامات الخاصة بـ Kubernetes		هذه البيانات ليست معالجة مسبقًا		قائمة مستودعات GitHub للمشروع
ناقل		هذه البيانات ليست معالجة مسبقًا		قائمة مستودعات GitHub للمشروع
سوق ريد هات		هذه البيانات ليست معالجة مسبقًا		قائمة مستودعات GitHub للمشروع
مدونة ريدهات		هذه البيانات ليست معالجة مسبقًا					[404]
كوبيرنيتيس io		هذه البيانات ليست معالجة مسبقًا					[405]
مستندات Openshift		هذه البيانات ليست معالجة مسبقًا					[406]
سي إن سي إف أي أو		هذه البيانات ليست معالجة مسبقًا					[407]
عروض تقديمية لـ Kubernetes	قائمة العروض التقديمية المتاحة للعامة حول Kubernetes	هذه البيانات ليست معالجة مسبقًا		رابط البيانات
مختبرات الابتكار المفتوحة لشركة Red Hat		هذه البيانات ليست معالجة مسبقًا		قائمة مستودعات GitHub للمشروع
عروض توضيحية لشركة Red Hat		هذه البيانات ليست معالجة مسبقًا		قائمة مستودعات GitHub للمشروع
ريد هات أوبن شيفت أونلاين		هذه البيانات ليست معالجة مسبقًا		قائمة مستودعات GitHub للمشروع
مجموعات البرامج		هذه البيانات ليست معالجة مسبقًا		قائمة مستودعات GitHub للمشروع
رؤى ريد هات		هذه البيانات ليست معالجة مسبقًا		قائمة مستودعات GitHub للمشروع
حكومة ريد هات		هذه البيانات ليست معالجة مسبقًا		قائمة مستودعات GitHub للمشروع
استشارات ريد هات		هذه البيانات ليست معالجة مسبقًا		قائمة مستودعات GitHub للمشروع
مجتمعات الممارسة لشركة Red Hat		هذه البيانات ليست معالجة مسبقًا		قائمة مستودعات GitHub للمشروع
شريك التكنولوجيا في شركة Red Hat		هذه البيانات ليست معالجة مسبقًا		قائمة مستودعات GitHub للمشروع
توثيقات ريد هات		هذه البيانات ليست معالجة مسبقًا		قائمة مستودعات GitHub للمشروع
آي بي إم		هذه البيانات ليست معالجة مسبقًا		قائمة مستودعات GitHub للمشروع
سحابة آي بي إم		هذه البيانات ليست معالجة مسبقًا		قائمة مستودعات GitHub للمشروع
بناء فريق المختبر		هذه البيانات ليست معالجة مسبقًا		قائمة مستودعات GitHub للمشروع
وحدات Terraform IBM		هذه البيانات ليست معالجة مسبقًا		قائمة مستودعات GitHub للمشروع
مخططات السحابة		هذه البيانات ليست معالجة مسبقًا		قائمة مستودعات GitHub للمشروع
عروض OCP Power		هذه البيانات ليست معالجة مسبقًا		قائمة مستودعات GitHub للمشروع
تحديث تطبيقات IBM		هذه البيانات ليست معالجة مسبقًا		قائمة مستودعات GitHub للمشروع
مركز تشغيل Kubernetes		هذه البيانات ليست معالجة مسبقًا		قائمة مستودعات GitHub للمشروع
مؤسسة الحوسبة السحابية الأصلية (CNCF)		هذه البيانات ليست معالجة مسبقًا		قائمة مستودعات GitHub للمشروع
إطار عمل المشغل		هذه البيانات ليست معالجة مسبقًا		قائمة مستودعات GitHub للمشروع			[408]
مستودعات GitHub المشار إليها في artifacthub.io		هذه البيانات ليست معالجة مسبقًا		قائمة مستودعات GitHub في artifacthub.io
مجتمعات الممارسة لشركة Red Hat		هذه البيانات ليست معالجة مسبقًا		قائمة مستودعات GitHub للمشروع
شريك ريد هات		هذه البيانات ليست معالجة مسبقًا		قائمة مستودعات GitHub للمشروع
مستودعات IBM		هذه البيانات ليست معالجة مسبقًا		قائمة مستودعات GitHub للمشروع
بناء فريق المختبر		هذه البيانات ليست معالجة مسبقًا		قائمة مستودعات GitHub للمشروع
إطار عمل المشغل		هذه البيانات ليست معالجة مسبقًا		قائمة مستودعات GitHub للمشروع
مستودعات GitHub		هذه البيانات ليست معالجة مسبقًا		قائمة مستودعات GitHub للمشروع
القبعة الحمراء		هذه البيانات ليست معالجة مسبقًا		قائمة مستودعات GitHub للمشروع
أنماط Kubernetes		هذه البيانات ليست معالجة مسبقًا		قائمة مستودعات GitHub للمشروع
أنماط نشر وأمان Kubernetes		هذه البيانات ليست معالجة مسبقًا		قائمة مستودعات GitHub للمشروع
Kubernetes للمطورين ذوي البرامج الكاملة		هذه البيانات ليست معالجة مسبقًا		قائمة مستودعات GitHub للمشروع
مقاييس Load Balancer Cloudwatch		هذه البيانات ليست معالجة مسبقًا		مستودع GitHub للمشروع
ديناتريس		هذه البيانات ليست معالجة مسبقًا		[5]
بيانات تحدي AIOps 2020		هذه البيانات ليست معالجة مسبقًا		مستودع GitHub للمشروع
لوغوب		هذه البيانات ليست معالجة مسبقًا		قائمة المستودعات
صفحات HTML		هذه البيانات ليست معالجة مسبقًا		قائمة صفحات HTML
كتب إلكترونية مفتوحة المصدر		هذه البيانات ليست معالجة مسبقًا					[409]
كتب إلكترونية عن Kubernetes		هذه البيانات ليست معالجة مسبقًا		أنماط Kubernetes، ونشر Kubernetes، وKubernetes للمطورين ذوي البرامج الكاملة
Kubernetes للمطورين ذوي البرامج الكاملة		هذه البيانات ليست معالجة مسبقًا		Kubernetes للمطورين ذوي البرامج الكاملة
قائمة مستودعات Github العامة والمرخصة		هذه البيانات ليست معالجة مسبقًا		قائمة المستودعات

اسم مجموعة البيانات	وصف موجز	المعالجة المسبقة	الحالات	شكل	المهمة الافتراضية	تم الإنشاء (تم التحديث)	مرجع	الخالق
مؤشر داو جونز	بيانات أسبوعية للأسهم للربع الأول والثاني من عام 2011.	تم تضمين القيم المحسوبة مثل النسبة المئوية للتغيير والتأخيرات.	750	القيم المنفصلة بفاصلة	التصنيف، الانحدار، السلاسل الزمنية	2014	[410] [411]	م. براون وآخرون.
Statlog (الموافقة على الائتمان الأسترالي)	طلبات بطاقات الائتمان المقبولة أو المرفوضة والسمات المتعلقة بالتطبيق.	تم إزالة أسماء السمات بالإضافة إلى معلومات التعريف. وتمت إعادة تسمية العوامل.	690	القيم المنفصلة بفاصلة	تصنيف	1987	[412] [413]	ر. كوينلان
بيانات مزاد eBay	بيانات المزادات من مختلف العناصر الموجودة على موقع eBay.com على مدى مزادات مختلفة المدة	يحتوي على جميع العطاءات، ومعرف مقدم العطاء، وأوقات العطاءات، وأسعار الافتتاح.	~ 550	نص	الانحدار والتصنيف	2012	[414] [415]	ج. شمويل وآخرون.
Statlog (بيانات الائتمان الألمانية)	تصنيف الائتمان الثنائي إلى "جيد" أو "سيئ" مع العديد من الميزات	يتم تقديم الميزات المالية المختلفة لكل شخص.	690	نص	تصنيف	1994	[416]	ح. هوفمان
مجموعة بيانات التسويق المصرفي	بيانات من حملة تسويقية كبيرة قام بها بنك كبير.	يتم ذكر العديد من صفات العملاء الذين تم الاتصال بهم، كما يتم ذكر ما إذا كان العميل مشتركًا في البنك.	45,211	نص	تصنيف	2012	[417] [418]	س. مورو وآخرون.
مجموعة بيانات بورصة اسطنبول	تم تتبع العديد من مؤشرات الأسهم لمدة عامين تقريبًا.	لا أحد.	536	نص	التصنيف والانحدار	2013	[419] [420]	أو. أكبيلجيك
تخلف عملاء بطاقات الائتمان عن السداد	بيانات التخلف عن سداد الائتمان للدائنين التايوانيين.	يتم تقديم ميزات مختلفة لكل حساب.	30,000	نص	تصنيف	2016	[421] [422]	أنا. يه
ستوك نت	التنبؤ بحركة الأسهم من خلال التغريدات وأسعار الأسهم التاريخية	لا أحد		نص	البرمجة اللغوية العصبية	2018	[423]	Yumo Xu and Shay B. Cohen

Dataset Name	Brief description	Preprocessing	Instances	Format	Default Task	Created (updated)	Reference	Creator
Cloud DataSet	Data about 1024 different clouds.	Image features extracted.	1024	Text	Classification, clustering	1989	[424]	P. Collard
El Nino Dataset	Oceanographic and surface meteorological readings taken from a series of buoys positioned throughout the equatorial Pacific.	12 weather attributes are measured at each buoy.	178080	Text	Regression	1999	[425]	Pacific Marine Environmental Laboratory
Greenhouse Gas Observing Network Dataset	Time-series of greenhouse gas concentrations at 2921 grid cells in California created using simulations of the weather.	None.	2921	Text	Regression	2015	[426]	D. Lucas
Atmospheric CO2 from Continuous Air Samples at Mauna Loa Observatory	Continuous air samples in Hawaii, USA. 44 years of records.	None.	44 years	Text	Regression	2001	[427]	Mauna Loa Observatory
Ionosphere Dataset	Radar data from the ionosphere. Task is to classify into good and bad radar returns.	Many radar features given.	351	Text	Classification	1989	[283][428]	Johns Hopkins University
Ozone Level Detection Dataset	Two ground ozone level datasets.	Many features given, including weather conditions at time of measurement.	2536	Text	Classification	2008	[429][430]	K. Zhang et al.

Dataset Name	Brief description	Preprocessing	Instances	Format	Default Task	Created (updated)	Reference	Creator
Adult Dataset	Census data from 1994 containing demographic features of adults and their income.	Cleaned and anonymized.	48,842	Comma separated values	Classification	1996	[431]	United States Census Bureau
Census-Income (KDD)	Weighted census data from the 1994 and 1995 Current Population Surveys.	Split into training and test sets.	299,285	Comma separated values	Classification	2000	[432][433]	United States Census Bureau
IPUMS Census Database	Census data from the Los Angeles and Long Beach areas.	None	256,932	Text	Classification, regression	1999	[434]	IPUMS
US Census Data 1990	Partial data from 1990 US census.	Results randomized and useful attributes selected.	2,458,285	Text	Classification, regression	1990	[435]	United States Census Bureau

Dataset Name	Brief description	Preprocessing	Instances	Format	Default Task	Created (updated)	Reference	Creator
Bike Sharing Dataset	Hourly and daily count of rental bikes in a large city.	Many features, including weather, length of trip, etc., are given.	17,389	Text	Regression	2013	[436][437]	H. Fanaee-T
New York City Taxi Trip Data	Trip data for yellow and green taxis in New York City.	Gives pick up and drop off locations, fares, and other details of trips.	6 years	Text	Classification, clustering	2015	[438]	New York City Taxi and Limousine Commission
Taxi Service Trajectory ECML PKDD	Trajectories of all taxis in a large city.	Many features given, including start and stop points.	1,710,671	Text	Clustering, causal-discovery	2015	[439][440]	M. Ferreira et al.
METR-LA	Speed from loop detectors in the highway of Los Angeles County.	Average speed in 5 minutes timesteps.	7,094,304 from 207 sensors and 34,272 timesteps	Comma separated values	Regression, Forecasting	2014	[441]	Jagadish et al.
PeMS	Speed, flow, occupancy and other metrics from loop detectors and other sensors in the freeway of the State of California, U.S.A..	Metric usually aggregated via Average into 5 minutes timesteps.	39,000 individual detectors, each containing years of timeseries	Comma separated values	Regression, Forecasting, Nowcasting, Interpolation	(updated realtime)	[442]	California Department of Transportation

Dataset Name	Brief description	Preprocessing	Instances	Format	Default Task	Created (updated)	Reference	Creator
Webpages from Common Crawl 2012	Large collection of webpages and how they are connected via hyperlinks	None.	3.5B	Text	clustering, classification	2013	[443]	V. Granville
Internet Advertisements Dataset	Dataset for predicting if a given image is an advertisement or not.	Features encode geometry of ads and phrases occurring in the URL.	3279	Text	Classification	1998	[444][445]	N. Kushmerick
Internet Usage Dataset	General demographics of internet users.	None.	10,104	Text	Classification, clustering	1999	[446]	D. Cook
URL Dataset	120 days of URL data from a large conference.	Many features of each URL are given.	2,396,130	Text	Classification	2009	[447][448]	J. Ma
Phishing Websites Dataset	Dataset of phishing websites.	Many features of each site are given.	2456	Text	Classification	2015	[449]	R. Mustafa et al.
Online Retail Dataset	Online transactions for a UK online retailer.	Details of each transaction given.	541,909	Text	Classification, clustering	2015	[450]	D. Chen
Freebase Simple Topic Dump	Freebase is an online effort to structure all human knowledge.	Topics from Freebase have been extracted.	large	Text	Classification, clustering	2011	[451][452]	Freebase
Farm Ads Dataset	The text of farm ads from websites. Binary approval or disapproval by content owners is given.	SVMlight sparse vectors of text words in ads calculated.	4143	Text	Classification	2011	[453][454]	C. Masterharm et al.
The Pile	Assembling several large datasets of diverse and unstructured texts	Various (removing HTML and Javascript from websites, removing duplicated sentences)	825 GiB English text	JSON Lines[455][456]	Natural Language Processing, Text Prediction	2021	[457][455]	Gao et al.
OSCAR	Large collection of monolingual corpora extracted from web data (Common Crawl dumps) covering 150+ languages	Various (filtering, language classification, adult-content detection and other labelling)	3.4 TB English text, 1.4 TB Chinese text, 1.1 TB Russian text, 595 MB German text, 431 MB French text, and data for 150+ languages (figures for version 23.01)	JSON Lines[458]	Natural Language Processing, Text Prediction	2021	[459][460]	Ortiz Suarez, Abadji, Sagot et al.
OpenWebText	An open-source recreation of the WebText corpus. The text is web content extracted from URLs shared on Reddit with at least three upvotes.	Extracted non-HTML content, deduplicated, and tokenized.	8,013,769 Documents, 38GB	Text	Natural Language Processing, Text Prediction	2019	[461][462]	A. Gokaslan, V. Cohen
ROOTS	A well-documented and representative multilingual dataset with the explicit goal of doing good for and by the people whose data was collected.	Extracted non-HTML content, cleaned out UI and ads, deduplicated, removed PII, and tokenized.	1.6 TB, 59 languages.	Parquet	Natural Language Processing, Text Prediction	2022	[463][464]	H. Laurençon, L. Saulnier, T. Wang, C. Akiki, A. Villanova del Moral, T. Le Scao

Dataset Name	Brief description	Preprocessing	Instances	Format	Default Task	Created (updated)	Reference	Creator
Poker Hand Dataset	5 card hands from a standard 52 card deck.	Attributes of each hand are given, including the Poker hands formed by the cards it contains.	1,025,010	Text	Regression, classification	2007	[465]	R. Cattral
Connect-4 Dataset	Contains all legal 8-ply positions in the game of connect-4 in which neither player has won yet, and in which the next move is not forced.	None.	67,557	Text	Classification	1995	[466]	J. Tromp
Chess (King-Rook vs. King) Dataset	Endgame Database for White King and Rook against Black King.	None.	28,056	Text	Classification	1994	[467][468]	M. Bain et al.
Chess (King-Rook vs. King-Pawn) Dataset	King+Rook versus King+Pawn on a7.	None.	3196	Text	Classification	1989	[469]	R. Holte
Tic-Tac-Toe Endgame Dataset	Binary classification for win conditions in tic-tac-toe.	None.	958	Text	Classification	1991	[470]	D. Aha

Dataset Name	Brief description	Preprocessing	Instances	Format	Default Task	Created (updated)	Reference	Creator
Housing Data Set	Median home values of Boston with associated home and neighborhood attributes.	None.	506	Text	Regression	1993	[471]	D. Harrison et al.
The Getty Vocabularies	structured terminology for art and other material culture, archival materials, visual surrogates, and bibliographic materials.	None.	large	Text	Classification	2015	[472]	Getty Center
Yahoo! Front Page Today Module User Click Log	User click log for news articles displayed in the Featured Tab of the Today Module on Yahoo! Front Page.	Conjoint analysis with a bilinear model.	45,811,883 user visits	Text	Regression, clustering	2009	[473][474]	Chu et al.
British Oceanographic Data Centre	Biological, chemical, physical and geophysical data for oceans. 22K variables tracked.	Various.	22K variables, many instances	Text	Regression, clustering	2015	[475]	British Oceanographic Data Centre
Congressional Voting Records Dataset	Voting data for all USA representatives on 16 issues.	Beyond the raw voting data, various other features are provided.	435	Text	Classification	1987	[476]	J. Schlimmer
Entree Chicago Recommendation Dataset	Record of user interactions with Entree Chicago recommendation system.	Details of each user's usage of the app are recorded in detail.	50,672	Text	Regression, recommendation	2000	[477]	R. Burke
Insurance Company Benchmark (COIL 2000)	Information on customers of an insurance company.	Many features of each customer and the services they use.	9,000	Text	Regression, classification	2000	[478][479]	P. van der Putten
Nursery Dataset	Data from applicants to nursery schools.	Data about applicant's family and various other factors included.	12,960	Text	Classification	1997	[480][481]	V. Rajkovic et al.
University Dataset	Data describing attributed of a large number of universities.	None.	285	Text	Clustering, classification	1988	[482]	S. Sounders et al.
Blood Transfusion Service Center Dataset	Data from blood transfusion service center. Gives data on donors return rate, frequency, etc.	None.	748	Text	Classification	2008	[483][484]	I. Yeh
Record Linkage Comparison Patterns Dataset	Large dataset of records. Task is to link relevant records together.	Blocking procedure applied to select only certain record pairs.	5,749,132	Text	Classification	2011	[485][486]	University of Mainz
Nomao Dataset	Nomao collects data about places from many different sources. Task is to detect items that describe the same place.	Duplicates labeled.	34,465	Text	Classification	2012	[487][488]	Nomao Labs
Movie Dataset	Data for 10,000 movies.	Several features for each movie are given.	10,000	Text	Clustering, classification	1999	[489]	G. Wiederhold
Open University Learning Analytics Dataset	Information about students and their interactions with a virtual learning environment.	None.	~ 30,000	Text	Classification, clustering, regression	2015	[490][491]	J. Kuzilek et al.
Mobile phone records	Telecommunications activity and interactions	Aggregation per geographical grid cells and every 15 minutes.	large	Text	Classification, Clustering, Regression	2015	[492]	G. Barlacchi et al.

As datasets come in myriad formats and can sometimes be difficult to use, there has been considerable work put into curating and standardizing the format of datasets to make them easier to use for machine learning research.

• OpenML:^[493] Web platform with Python, R, Java, and other APIs for downloading hundreds of machine learning datasets, evaluating algorithms on datasets, and benchmarking algorithm performance against dozens of other algorithms.
• PMLB:^[494] A large, curated repository of benchmark datasets for evaluating supervised machine learning algorithms. Provides classification and regression datasets in a standardized format that are accessible through a Python API.
• Metatext NLP: https://metatext.io/datasets web repository maintained by community, containing nearly 1000 benchmark datasets, and counting. Provides many tasks from classification to QA, and various languages from English, Portuguese to Arabic.
• Appen: Off The Shelf and Open Source Datasets hosted and maintained by the company. These biological, image, physical, question answering, signal, sound, text, and video resources number over 250 and can be applied to over 25 different use cases.^[495][496]

• Comparison of deep learning software
• List of manual image annotation tools
• List of biological databases