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)
IntermedioEncuesta estadounidense de salud y nutrición con examen físico, muy usada para investigación epidemiológica.
MIMIC-III / MIMIC-IV
AvanzadoBase de datos clínica de cuidados intensivos, uno de los datasets médicos más usados en investigación de ML en salud.
UK Biobank
AvanzadoCohorte biomédica de medio millón de participantes con datos genéticos, de imagen y de salud a largo plazo.
1000 Genomes Project
AvanzadoCatálogo público de variación genética humana de más de 2,500 individuos de 26 poblaciones.
TCGA (The Cancer Genome Atlas)
AvanzadoAtlas genómico público de más de 20,000 casos de cáncer en 33 tipos de tumor.
Gene Expression Omnibus (GEO)
IntermedioEl repositorio público más grande de datos de expresión génica y otros experimentos de genómica funcional.
US Census / American Community Survey (ACS)
IntermedioLa encuesta demográfica y socioeconómica más detallada de Estados Unidos, actualizada anualmente.
World Bank Open Data
PrincipianteMiles de indicadores de desarrollo económico y social para prácticamente todos los países del mundo.
Our World in Data
PrincipianteDatasets curados y visualizaciones sobre los grandes problemas globales: salud, energía, pobreza, clima y más.
NYC Open Data (311 Service Requests)
PrincipianteMillones de solicitudes de servicio ciudadano a la ciudad de Nueva York, un clásico para practicar análisis urbano.
FRED (Federal Reserve Economic Data)
PrincipianteCientos de miles de series de tiempo económicas de acceso libre, mantenidas por la Reserva Federal de St. Louis.
Credit Card Fraud Detection (ULB)
IntermedioTransacciones reales de tarjetas de crédito europeas, el dataset de referencia para practicar detección de fraude.
LendingClub Loan Data
IntermedioHistorial de préstamos peer-to-peer con desenlaces reales, ideal para modelos de riesgo crediticio.
Yahoo Finance (histórico de mercados)
PrincipianteDatos históricos de precios de acciones, índices y criptomonedas, accesibles gratis vía API no oficial.
Global Superstore
PrincipianteDataset de ventas retail multinacional, muy popular para practicar EDA, RFM y dashboards de negocio.
Instacart Market Basket Analysis
IntermedioTres millones de pedidos de supermercado reales, el estándar para practicar análisis de canasta de compra.
Online Retail (UCI)
PrincipianteTransacciones reales de una tienda online del Reino Unido, un clásico accesible para practicar RFM y clustering.
Olist Brazilian E-commerce
IntermedioCien mil pedidos reales de un marketplace brasileño, con reseñas, pagos y geolocalización incluidos.
Twitter US Airline Sentiment
PrincipianteTweets sobre aerolíneas estadounidenses etiquetados por sentimiento, un clásico accesible para practicar NLP.
IMDB Movie Reviews (Stanford)
Principiante50,000 reseñas de películas etiquetadas, el benchmark clásico de análisis de sentimiento en NLP.
Common Crawl
AvanzadoPetabytes de texto de la web abierta, la materia prima con la que se entrenan la mayoría de los grandes modelos de lenguaje.
ImageNet
AvanzadoEl dataset de imágenes que catalizó la revolución del deep learning en visión por computadora.
COCO (Common Objects in Context)
AvanzadoImágenes cotidianas anotadas con segmentación, detección de objetos y descripciones de texto.
MNIST
Principiante70,000 dígitos escritos a mano, el 'hola mundo' universal del aprendizaje automático.
CIFAR-10
Principiante60,000 imágenes a color de objetos cotidianos, el siguiente paso natural después de MNIST.
LibriSpeech
IntermedioMil horas de audiolibros en inglés transcritos, el benchmark estándar de reconocimiento de voz.
Common Voice (Mozilla)
IntermedioEl mayor corpus de voz multilingüe y de código abierto, construido por voluntarios de todo el mundo.
NOAA Global Historical Climatology Network
IntermedioRegistros meteorológicos diarios de miles de estaciones alrededor del mundo, algunos con más de un siglo de historia.
NASA Earth Data (MODIS)
AvanzadoImágenes satelitales y productos derivados sobre vegetación, temperatura y uso de suelo a escala global.
GBIF (Global Biodiversity Information Facility)
IntermedioMás de dos mil millones de registros de ocurrencia de especies, desde museos hasta apps de ciencia ciudadana.
NYC TLC Taxi Trip Data
IntermedioDecenas de millones de viajes en taxi y vehículos de alquiler en Nueva York, publicados mensualmente desde 2009.
Citi Bike System Data
PrincipianteMillones de viajes del sistema de bicicletas compartidas de Nueva York, publicados mensualmente.
OpenStreetMap
AvanzadoEl mapa colaborativo y abierto del mundo, con datos estructurados de calles, edificios y puntos de interés.
European Soccer Database
PrincipianteMiles de partidos y jugadores de fútbol europeo, con atributos estilo videojuego FIFA incluidos.
MovieLens
PrincipianteEl dataset de referencia para sistemas de recomendación, con millones de calificaciones reales de películas.
Spotify Tracks Dataset
PrincipianteCaracterísticas de audio (energía, tempo, bailabilidad) de cientos de miles de canciones.
Iris
Principiante150 flores, 4 medidas, 3 especies: el dataset más citado de la historia del machine learning.
Titanic
PrincipianteLos pasajeros del Titanic y quién sobrevivió: la competencia introductoria más popular de Kaggle.
Wine Quality (UCI)
PrincipianteCasi 6,500 vinos portugueses con variables fisicoquímicas y una puntuación de calidad.
Adult / Census Income (UCI)
PrincipianteDatos del censo de EE. UU. de 1994 para predecir si el ingreso de una persona supera los $50,000 anuales.
California Housing
PrincipiantePrecios de vivienda por distrito censal de California en 1990, el sucesor moderno del clásico Boston Housing.
SQuAD (Stanford Question Answering Dataset)
IntermedioMás de 100,000 preguntas y respuestas sobre artículos de Wikipedia, el benchmark clásico de comprensión de lectura.
GLUE Benchmark
IntermedioUna colección de nueve tareas de comprensión del lenguaje, el estándar para comparar modelos de NLP.
Wikipedia Dumps
IntermedioEl texto completo de Wikipedia en todos los idiomas, actualizado periódicamente y de libre acceso.
NSL-KDD
IntermedioTráfico de red etiquetado como normal o ataque, el benchmark clásico de detección de intrusiones.
Enron Email Dataset
IntermedioMedio millón de correos reales de la empresa Enron, un clásico para NLP y análisis de redes organizacionales.
¿Buscas otra cosa? Explora todas las entidades.