Base de conocimiento

Datasets

46 datasets organizados en 14 áreas, cada uno con la misma estructura: qué puedes lograr, de dónde viene, cómo cargarlo y sus limitaciones.

NHANES (National Health and Nutrition Examination Survey)

Intermedio

Encuesta estadounidense de salud y nutrición con examen físico, muy usada para investigación epidemiológica.

MIMIC-III / MIMIC-IV

Avanzado

Base de datos clínica de cuidados intensivos, uno de los datasets médicos más usados en investigación de ML en salud.

UK Biobank

Avanzado

Cohorte biomédica de medio millón de participantes con datos genéticos, de imagen y de salud a largo plazo.

1000 Genomes Project

Avanzado

Catálogo público de variación genética humana de más de 2,500 individuos de 26 poblaciones.

TCGA (The Cancer Genome Atlas)

Avanzado

Atlas genómico público de más de 20,000 casos de cáncer en 33 tipos de tumor.

Gene Expression Omnibus (GEO)

Intermedio

El repositorio público más grande de datos de expresión génica y otros experimentos de genómica funcional.

US Census / American Community Survey (ACS)

Intermedio

La encuesta demográfica y socioeconómica más detallada de Estados Unidos, actualizada anualmente.

World Bank Open Data

Principiante

Miles de indicadores de desarrollo económico y social para prácticamente todos los países del mundo.

Our World in Data

Principiante

Datasets curados y visualizaciones sobre los grandes problemas globales: salud, energía, pobreza, clima y más.

NYC Open Data (311 Service Requests)

Principiante

Millones de solicitudes de servicio ciudadano a la ciudad de Nueva York, un clásico para practicar análisis urbano.

FRED (Federal Reserve Economic Data)

Principiante

Cientos de miles de series de tiempo económicas de acceso libre, mantenidas por la Reserva Federal de St. Louis.

Credit Card Fraud Detection (ULB)

Intermedio

Transacciones reales de tarjetas de crédito europeas, el dataset de referencia para practicar detección de fraude.

LendingClub Loan Data

Intermedio

Historial de préstamos peer-to-peer con desenlaces reales, ideal para modelos de riesgo crediticio.

Yahoo Finance (histórico de mercados)

Principiante

Datos históricos de precios de acciones, índices y criptomonedas, accesibles gratis vía API no oficial.

Global Superstore

Principiante

Dataset de ventas retail multinacional, muy popular para practicar EDA, RFM y dashboards de negocio.

Instacart Market Basket Analysis

Intermedio

Tres millones de pedidos de supermercado reales, el estándar para practicar análisis de canasta de compra.

Online Retail (UCI)

Principiante

Transacciones reales de una tienda online del Reino Unido, un clásico accesible para practicar RFM y clustering.

Olist Brazilian E-commerce

Intermedio

Cien mil pedidos reales de un marketplace brasileño, con reseñas, pagos y geolocalización incluidos.

Twitter US Airline Sentiment

Principiante

Tweets sobre aerolíneas estadounidenses etiquetados por sentimiento, un clásico accesible para practicar NLP.

IMDB Movie Reviews (Stanford)

Principiante

50,000 reseñas de películas etiquetadas, el benchmark clásico de análisis de sentimiento en NLP.

Common Crawl

Avanzado

Petabytes de texto de la web abierta, la materia prima con la que se entrenan la mayoría de los grandes modelos de lenguaje.

ImageNet

Avanzado

El dataset de imágenes que catalizó la revolución del deep learning en visión por computadora.

COCO (Common Objects in Context)

Avanzado

Imágenes cotidianas anotadas con segmentación, detección de objetos y descripciones de texto.

MNIST

Principiante

70,000 dígitos escritos a mano, el 'hola mundo' universal del aprendizaje automático.

CIFAR-10

Principiante

60,000 imágenes a color de objetos cotidianos, el siguiente paso natural después de MNIST.

LibriSpeech

Intermedio

Mil horas de audiolibros en inglés transcritos, el benchmark estándar de reconocimiento de voz.

Common Voice (Mozilla)

Intermedio

El mayor corpus de voz multilingüe y de código abierto, construido por voluntarios de todo el mundo.

NOAA Global Historical Climatology Network

Intermedio

Registros meteorológicos diarios de miles de estaciones alrededor del mundo, algunos con más de un siglo de historia.

NASA Earth Data (MODIS)

Avanzado

Imágenes satelitales y productos derivados sobre vegetación, temperatura y uso de suelo a escala global.

GBIF (Global Biodiversity Information Facility)

Intermedio

Más de dos mil millones de registros de ocurrencia de especies, desde museos hasta apps de ciencia ciudadana.

NYC TLC Taxi Trip Data

Intermedio

Decenas de millones de viajes en taxi y vehículos de alquiler en Nueva York, publicados mensualmente desde 2009.

Citi Bike System Data

Principiante

Millones de viajes del sistema de bicicletas compartidas de Nueva York, publicados mensualmente.

OpenStreetMap

Avanzado

El mapa colaborativo y abierto del mundo, con datos estructurados de calles, edificios y puntos de interés.

European Soccer Database

Principiante

Miles de partidos y jugadores de fútbol europeo, con atributos estilo videojuego FIFA incluidos.

MovieLens

Principiante

El dataset de referencia para sistemas de recomendación, con millones de calificaciones reales de películas.

Spotify Tracks Dataset

Principiante

Características de audio (energía, tempo, bailabilidad) de cientos de miles de canciones.

Iris

Principiante

150 flores, 4 medidas, 3 especies: el dataset más citado de la historia del machine learning.

Titanic

Principiante

Los pasajeros del Titanic y quién sobrevivió: la competencia introductoria más popular de Kaggle.

Wine Quality (UCI)

Principiante

Casi 6,500 vinos portugueses con variables fisicoquímicas y una puntuación de calidad.

Adult / Census Income (UCI)

Principiante

Datos del censo de EE. UU. de 1994 para predecir si el ingreso de una persona supera los $50,000 anuales.

California Housing

Principiante

Precios de vivienda por distrito censal de California en 1990, el sucesor moderno del clásico Boston Housing.

SQuAD (Stanford Question Answering Dataset)

Intermedio

Más de 100,000 preguntas y respuestas sobre artículos de Wikipedia, el benchmark clásico de comprensión de lectura.

GLUE Benchmark

Intermedio

Una colección de nueve tareas de comprensión del lenguaje, el estándar para comparar modelos de NLP.

Wikipedia Dumps

Intermedio

El texto completo de Wikipedia en todos los idiomas, actualizado periódicamente y de libre acceso.

NSL-KDD

Intermedio

Tráfico de red etiquetado como normal o ataque, el benchmark clásico de detección de intrusiones.

Enron Email Dataset

Intermedio

Medio millón de correos reales de la empresa Enron, un clásico para NLP y análisis de redes organizacionales.

¿Buscas otra cosa? Explora todas las entidades.