-
5M 树木：来自美国 63 个城市的 500 万棵城市树木的数据集
可持续城市依赖于城市森林。城市树木——城市森林的支柱——改善我们的健康、净化空气、储存二氧化碳并降低当地温度。人们对城市森林作为生态系统的了解相对较少，特别是它们的空间组成、原生状态、生物多样性和树木健康状况。在这里，我们收集并标准化了来自美国 63 个最大城市的 N=5,660,237...
-
无监督学习模型：分析二手车销售数据
使用监督和无监督学习模型分析二手车销售数据 二手车市场是一个动态且非常复杂的领域，受不同标准的影响 - 制造商、车型、发动机规格、油耗、生产年份、里程和价格。在本练习中，我们将查看包含英国二手车销售事实的模拟数据。该数据由 50,000...
-
使用 peft 和 lora 进行 LLM 微调的合成数据
该数据集包含对话摘要、主题和对话，用于使用参数有效微调和大型语言模型的低秩自适应创建对 LLM 模型进行微调的管道，这是一种流行且轻量级的训练技术，可显着减少可训练参数的数量。 该数据集也可在 hugging face 中使用。https://huggingface.co/datasets/knkarthick/dialogsum
-
本地登革热疫情
登革热是一种蚊媒疾病，发生在世界热带和亚热带地区。轻度病例的症状与流感相似：发烧、皮疹、肌肉和关节疼痛。重度病例可导致严重出血、低血压，甚至死亡。 由于登革热是由蚊子传播的，因此其传播动态与气温和降水等气候变量有关。尽管与气候的关系很复杂，但越来越多的科学家认为，气候变化可能会造成分布变化，从而对全球公共卫生产生重大影响。...
-
DEAP解读环境空气污染：用于研究城市空气污染的大规模时空数据
这是在IJCAI 2022的 AI for Good Track上发表的论文《使用大规模城市数据解读环境空气污染》的数据集。该论文获得了该 Track 的最佳论文奖。 [ Github Repo ] 该数据集引入了一个大规模时空数据集，涉及城市空气污染的所有主要参与者。该数据集结合了多种来源，以获取研究城市空气污染所必需的信息 -...
-
罗斯科学文章/Рус научные статьи
从 eLibrary.ru 网站下载了 2,478 篇俄语科学文章，这些文章被分为顶级 GRNTI（国家科学技术信息分类表）的 62 个标题。eLibrary.ru。网站上的期刊目录包含 71 个 GRNTI 类别，我选择了其中有足够数量的科学期刊和文章属于公共领域的类别。 标题位于说明的末尾。 下载了 pdf 文件，将其转换为 txt...
-
《老友记》电视节目抄录：《老友记》每一集的台词排序
创建此数据集的目的是构建一个分类器，确定《老友记》电视节目中的哪个朋友最有可能说出某句名言。 内容 里面的内容不仅仅是行和列。通过描述您如何获取数据以及它代表什么时间段，让其他人可以轻松入门。 数据来自 每集的原始记录最初都是从这里抓取的：https : //fangj.github.io/friends/。Jorge Nachtigall
-
英语至阿萨姆语平行数据集
此文件中有数十万个英语到阿萨姆语的平行数据集。 注意-清理数据集 1_.eng.txt - 有更多并行的英语数据集 1_assamese.xt - 有更多并行的阿萨姆语数据集
-
用于 NLP 任务的高质量金融新闻数据集
此存储库包含从各个金融网站精心抓取的数据集。数据提取过程可确保文本高质量且准确，包括网站及其嵌入 PDF 的内容。 数据集特征 日期： 公告日期。 主题：财经新闻的主题。 内容：公告的全部内容，包括网站文本和 PDF。 附加处理字段 我们应用先进的 Mixtral 7X8 模型来生成以下附加字段：...
-
用于文本检测的尼泊尔手写图像：各个年龄段的详尽文本数据集
尼泊尔手写数据集 (NHD)，它是尼泊尔各个地区用相机捕捉的尼泊尔手写文本图像的集合。该数据集旨在为研究人员探索手写检测和识别新技术提供基准。我们还提供了使用成熟的深度学习框架进行文本定位和识别的基准结果。数据集和基准结果可在此处获得。 主要特点：...
-
揭开社交媒体的情感面纱：Twitter 情感数据集
利用我们精心整理的数据集，深入了解通过 Twitter 消息表达的人类情感的复杂世界。这个综合集合中的每个条目都包含从 Twitter 中提取的一段文本，并附有相应的标签，表示消息传达的主要情感。情绪被精心分为六个不同的类别：悲伤 (0)、快乐 (1)、爱 (2)、愤怒 (3)、恐惧 (4) 和惊讶 (5)。...
-
核聚变实验的模拟数据
核能聚变实验的模拟数据集对于对核聚变领域感兴趣的研究人员和爱好者来说都是宝贵的资源。该数据集由 100,000 行组成，每行代表一个实验，并包含各种对于了解聚变反应成功或失败至关重要的参数。这些参数包括燃料密度、温度、约束时间、燃料纯度、能量输入、功率输出、压力和中子产量等。...
-
植物疾病检测数据集
植物疾病数据集由印度理工学院的一组研究人员创建，最初在一篇研究论文中进行了描述。其中一位作者 Pratik Kayal 已在GitHub上分享了该数据集，可供公众使用。PlantDoc 数据集包含 13 种不同植物物种的总共 2,569 张图像。该数据集分为 30 个不同的类别，标签指示每张图像是健康的还是患病的。数据集内共有 8,851...
-
用于对印地语 NCERT 科学教科书上的 Gemma 2 进行微调的结构化数据集
该数据集经过精心设计，旨在微调 Gemma 2 语言模型，以生成印地语教育内容，专门针对 3 年级至 10 年级的科学主题。该数据集使用印地语 NCERT 教科书构建，由三个结构化组件组成，可实现有效的语言模型训练。 数据集组件 1. 图书数据 包含 3 年级至 10 年级印地语 NCERT 科学教科书的 PDF 文件。...
-
PyTorch 几何外部库
用于 Kaggle Env 的 PyTorch 几何外部库轮子 该数据集是 PyTorch Geometric外部库的 Python wheel 包文件（只需安装PyG即可） 。PyTorch pip install torch_geometricGeometric 是用于构建图神经网络的 torch...
-
GPT GCJ 数据集：检测 LLM 编写的 Java 代码
来自 GCJ 2020 的 76K+ Java 文件，其中 17K 由 GPT-4o 生成，用于 AI 检测 GPT Java GCJ 源代码数据集 该数据集由 2020 年 Google Code Jam 竞赛中 1,000 多位作者编写的共 76,089 个 Java 源代码文件和用于代码生成检测的 GPT-4o 重写代码组成。 随着 OpenAI...
-
DUTS 大规模图像显著性检测基准数据集
DUTS 是一个大规模显著性检测数据集，包含 10,553 张训练图像和 5,019 张测试图像。所有训练图像均来自ImageNet DET 训练/验证集，而测试图像则来自 ImageNet DET 测试集和SUN 数据集。训练集和测试集都包含对显著性检测非常具有挑战性的场景。精确的像素级基本事实由 50 名受试者手动注释。
-
鱼类探测（带标签）
鱼类物种检测数据集是一个经过精心策划的集合，旨在开发和测试专注于识别各种鱼类物种的物体检测模型。借助此数据集，研究人员和开发人员可以利用先进的计算机视觉技术对各种水生环境中的鱼类进行分类。 数据集组成 该数据集共包含 8,242 张带注释的图像，分为十三个不同的鱼类： 神仙鱼 蓝唐 蝴蝶鱼 小丑鱼 金鱼 丝足鱼 莫里什偶像 孔雀鱼 带状甜唇 三条纹雀鲷...
-
英国 36 个站点的历史气象站数据
英国气象局自 1854 年成立以来一直负责监测英国天气。英国有 36 个气象站（通常位于皇家空军基地）收集信息，用于预测未来天气模式并发布公共建议。最近，这些大型数据集已成为调查英国气候在过去 150 多年中如何变化的有用工具。 内容 列： year：进行测量的年份 month：进行测量的月份 tmax：平均每日最高气温（℃）...
-
Slovo：俄罗斯手语（RSL）识别的视频数据集
Slovo - 俄罗斯手语数据集 我们引入了一个用于俄罗斯手语任务的大规模视频数据集Slovo。Slovo数据集大小约为16 GB，包含来自 194 位歌手的1000 个手语手势的20400 个RGB 视频。每类有 20 个样本。数据集按主题分为训练集和测试集。训练集包括 15300 个视频，测试集包括 5100 个视频。总视频录制时间约为 9.2...
