35 bộ dữ liệu tốt nhất cho machine learning và mô hình AI năm 2026 | Miễn phí và trả phí

Trong lĩnh vực máy học và trí tuệ nhân tạo đang phát triển nhanh chóng, chất lượng và tính đa dạng của bộ dữ liệu thường quyết định thành công của việc huấn luyện và triển khai mô hình. Dù bạn đang xây dựng hệ thống thị giác máy tính tiên tiến, mô hình xử lý ngôn ngữ tự nhiên (NLP), công cụ đề xuất hay ứng dụng AI tạo sinh quy mô lớn, việc có được bộ dữ liệu đáng tin cậy và được cấu trúc tốt là yếu tố then chốt.

Bài viết này tuyển chọn kỹ lưỡng 35 bộ dữ liệu hàng đầu dành cho các mô hình ML và AI, bao phủ các lĩnh vực như nhận dạng hình ảnh, ngôn ngữ tự nhiên, tin sinh học, thương mại điện tử, dữ liệu web thời gian thực và AI đa phương thức. Các bộ dữ liệu được chọn bao gồm cả tài nguyên mã nguồn mở thúc đẩy nghiên cứu học thuật lẫn các bộ dữ liệu thương mại cấp doanh nghiệp được thiết kế cho ứng dụng thương mại quy mô lớn. Với những nguồn lực này, các nhà khoa học dữ liệu, nhà nghiên cứu và kỹ sư có thể tăng tốc đổi mới, đồng thời nâng cao độ chính xác, khả năng mở rộng và tính phổ quát của các giải pháp AI của họ.

1. Bộ dữ liệu Bright Data

Lĩnh vực áp dụng: Dữ liệu web cho machine learning, thông tin tình báo thị trường, huấn luyện LLM

Là nhà cung cấp dữ liệu dưới dạng dịch vụ hàng đầu, Bright Data gần đây đã ra mắt dịch vụ bộ dữ liệu toàn diện được thiết kế riêng cho các ứng dụng AI và ML. Nền tảng này cung cấp dữ liệu web có cấu trúc, sẵn sàng sử dụng, bao phủ nhiều lĩnh vực như thương mại điện tử, bất động sản, tuyển dụng việc làm, mạng xã hội và thị trường tài chính. Khác với các bộ dữ liệu tĩnh truyền thống, Bright Data liên tục cập nhật bộ dữ liệu của mình để đảm bảo tính mới và mức độ liên quan của dữ liệu. Những bộ dữ liệu này đặc biệt có giá trị đối với việc huấn luyện các mô hình AI phụ thuộc vào dữ liệu thực tế và dữ liệu chuyên biệt theo từng lĩnh vực.

Đặc điểm

2. COCO（Common Objects in Context）

Lĩnh vực áp dụng: Phát hiện đối tượng, phân đoạn hình ảnh, hiểu cảnh

COCO là một trong những bộ dữ liệu phổ biến nhất cho các tác vụ thị giác máy tính, được ứng dụng rộng rãi trong phát hiện đối tượng, phân đoạn và mô tả hình ảnh. Khác với các bộ dữ liệu truyền thống, COCO tập trung vào những cảnh đời sống phức tạp chứa nhiều đối tượng cùng mối quan hệ ngữ cảnh giữa chúng. Phần chú thích chi tiết của bộ dữ liệu bao gồm hộp giới hạn đối tượng, các điểm mốc tư thế người và mặt nạ phân đoạn. Nhờ chất lượng gắn nhãn cao và tính đa dạng, COCO đã trở thành chuẩn tham chiếu cho các mô hình tiên tiến như Faster R-CNN, YOLO và Mask R-CNN.

Đặc điểm

3. Bộ dữ liệu huấn luyện OpenAI GPT (truy cập cấp doanh nghiệp)

Lĩnh vực áp dụng: Xử lý ngôn ngữ tự nhiên, huấn luyện mô hình ngôn ngữ lớn

Mặc dù toàn bộ tập dữ liệu huấn luyện của OpenAI là độc quyền, các mô hình ngôn ngữ lớn của hãng như GPT-3 và GPT-4 được huấn luyện trên tập dữ liệu hỗn hợp, bao gồm dữ liệu được cấp phép, dữ liệu công khai và dữ liệu được tuyển chọn kỹ lưỡng, với quy mô cực kỳ lớn. Các nguồn này gồm Common Crawl, Wikipedia, sách và các bộ sưu tập văn bản được cấp phép. Các tổ chức muốn truy cập ở cấp doanh nghiệp có thể sử dụng các mô hình này thông qua API của OpenAI, giao diện đã cô đọng tri thức từ những tập dữ liệu đó. Quy mô khổng lồ và sự đa dạng dữ liệu khiến đây trở thành một trong những nguồn lực mạnh nhất trong lĩnh vực hiểu và tạo ngôn ngữ tự nhiên.

Đặc điểm

4. Bộ dữ liệu Kaggle

Lĩnh vực áp dụng: Cuộc thi machine learning, phát triển nguyên mẫu, nghiên cứu AI ứng dụng

Kaggle sở hữu một trong những kho bộ dữ liệu mã nguồn mở lớn nhất, được đóng góp bởi các nhà khoa học dữ liệu và chuyên gia machine learning trên toàn thế giới. Các bộ dữ liệu của nền tảng này bao phủ nhiều lĩnh vực như tài chính, y tế, xử lý ngôn ngữ tự nhiên và nhận dạng hình ảnh. Một trong những lợi thế lớn nhất của nó là tích hợp sâu với Kaggle Notebooks, giúp người dùng có thể thử nghiệm ngay lập tức và xây dựng mô hình ML. Bộ dữ liệu Kaggle được sử dụng rộng rãi trong hackathon, nghiên cứu học thuật và tạo mẫu nhanh.

Đặc điểm

5. Bộ dữ liệu Google Open Images

Lĩnh vực áp dụng: Thị giác máy tính, nhận dạng hình ảnh, phân loại đa nhãn

Bộ dữ liệu Open Images do Google phát hành là một tập hợp hình ảnh gắn nhãn siêu quy mô lớn nhằm hỗ trợ nghiên cứu thị giác máy tính ở quy mô lớn. Nó chứa hàng triệu hình ảnh, đi kèm nhãn cấp hình ảnh, hộp giới hạn đối tượng, mặt nạ phân đoạn và quan hệ thị giác. Tính đa dạng của nó cho phép các nhà nghiên cứu xây dựng những hệ thống thị giác mạnh mẽ có thể xử lý các bối cảnh thực tế phức tạp. Nó được sử dụng rộng rãi để benchmark các kiến trúc mạng nơ-ron hiện đại.

Đặc điểm

6. Bộ dữ liệu COCO Captions

Lĩnh vực áp dụng: Mô tả hình ảnh, AI đa phương thức, mô hình thị giác-ngôn ngữ

Bộ dữ liệu này được mở rộng dựa trên bộ dữ liệu COCO gốc, cung cấp các mô tả hình ảnh được gán nhãn thủ công, khiến nó trở thành nền tảng cốt lõi cho nghiên cứu AI đa phương thức. Mỗi hình ảnh đi kèm năm mô tả, giúp mô hình học cách tạo đầu ra ngôn ngữ tự nhiên từ đầu vào thị giác. Nó đã đóng vai trò then chốt trong việc thúc đẩy các hệ thống mô tả hình ảnh, hỏi đáp thị giác (VQA) và các mô hình Transformer đa phương thức trong những năm gần đây.

Đặc điểm

7. PubMed & MIMIC-III

Lĩnh vực áp dụng: AI y tế, xử lý ngôn ngữ tự nhiên y tế, phân tích dự đoán

PubMed cung cấp hàng triệu bài báo nghiên cứu và tóm tắt về y sinh học, là một trong những nguồn dữ liệu văn bản khoa học phong phú nhất cho các tác vụ NLP y tế. Trong khi đó, MIMIC-III là một bộ dữ liệu hồ sơ sức khỏe điện tử quy mô lớn, chứa dữ liệu lâm sàng đã được ẩn danh của bệnh nhân ICU. Khi kết hợp lại, hai nguồn này mang đến nền tảng mạnh mẽ cho nghiên cứu AI y tế như dự đoán bệnh, phát triển thuốc và hỗ trợ ra quyết định lâm sàng.

Đặc điểm

8. LAION-5B

Lĩnh vực áp dụng: Tạo ảnh từ văn bản, AI đa phương thức, mô hình khuếch tán

LAION-5B là một trong những bộ dữ liệu mã nguồn mở lớn nhất hiện nay dành cho nghiên cứu đa phương thức, bao gồm 5 tỷ cặp văn bản-hình ảnh được thu thập từ web. Đây là nền tảng cốt lõi của nhiều mô hình tạo ảnh từ văn bản như Stable Diffusion và các kiến trúc dựa trên khuếch tán khác. Bộ dữ liệu này hoàn toàn mở, đánh dấu một cột mốc quan trọng trong việc dân chủ hóa nghiên cứu AI đa phương thức.

Đặc điểm

9. Common Crawl

Lĩnh vực áp dụng: NLP, mô hình ngôn ngữ lớn, huấn luyện AI quy mô mạng

Common Crawl là một dự án mã nguồn mở cung cấp dữ liệu thu thập web ở cấp byte, bao gồm nội dung gốc của trang web, siêu dữ liệu và kết quả trích xuất văn bản. Nó được sử dụng rộng rãi làm bộ dữ liệu nền tảng để huấn luyện các hệ thống NLP quy mô lớn và mô hình ngôn ngữ. Nhờ được cập nhật hằng tháng, các nhà nghiên cứu và tổ chức có thể tiếp cận các ảnh chụp web luôn được làm mới, khiến nó trở thành một trong những tài nguyên giá trị nhất trong pipeline huấn luyện AI hiện đại.

Đặc điểm

10. AWS Data Exchange

Lĩnh vực áp dụng: Máy học cấp doanh nghiệp, ứng dụng dựa trên dữ liệu, AI thương mại

AWS Data Exchange là một chợ đăng ký bộ dữ liệu bên thứ ba đa ngành, bao phủ các lĩnh vực như tài chính, y tế, phân tích địa không gian và tiếp thị. Khác với các bộ dữ liệu thuần mã nguồn mở, AWS Data Exchange cung cấp dữ liệu được tuyển chọn, chất lượng cao ở cấp doanh nghiệp, có thể áp dụng trực tiếp vào quy trình máy học và phân tích thương mại. Việc tích hợp liền mạch với các dịch vụ AWS khiến nền tảng này đặc biệt hấp dẫn đối với các tổ chức đã sử dụng hệ sinh thái AWS.

Đặc điểm

11. Stanford Question Answering Dataset (SQuAD)

Lĩnh vực áp dụng: Xử lý ngôn ngữ tự nhiên, hệ thống hỏi đáp

SQuAD là một bộ dữ liệu quy mô lớn dành cho bài toán hiểu văn bản của máy. Nó bao gồm các đoạn văn từ Wikipedia và hơn 100.000 cặp câu hỏi - câu trả lời được tạo bằng crowdsourcing. Các mô hình được huấn luyện trên SQuAD có thể trích xuất trực tiếp câu trả lời từ ngữ cảnh, vì vậy đây đã trở thành một chuẩn đánh giá quan trọng cho khả năng đọc hiểu của mô hình NLP. Nó đã đóng vai trò then chốt trong quá trình phát triển các kiến trúc Transformer như BERT.

Đặc điểm

12. Chữ số viết tay MNIST

Lĩnh vực áp dụng: Nhập môn thị giác máy tính, phân loại hình ảnh và học sâu

MNIST là một trong những bộ dữ liệu nhập môn học máy nổi tiếng nhất. Nó gồm 70.000 ảnh chữ số viết tay (0–9) thang xám, mỗi ảnh được chuẩn hóa ở kích thước 28×28 pixel. Dù đơn giản, MNIST đã được dùng trong nhiều thập kỷ để kiểm thử các phương pháp học máy mới và vẫn là dữ liệu thực nghiệm phổ biến trong các hướng dẫn, benchmark và bài báo nghiên cứu.

Đặc điểm

13. CIFAR-10 / CIFAR-100

Lĩnh vực áp dụng: Thị giác máy tính, phân loại hình ảnh

Dòng CIFAR là các bộ dữ liệu hình ảnh quy mô nhỏ thường dùng trong nghiên cứu học máy. CIFAR-10 gồm 60.000 hình ảnh thuộc 10 danh mục; CIFAR-100 mở rộng lên 100 danh mục và cũng có 60.000 hình ảnh. Nhờ kích thước gọn nhẹ và danh mục đa dạng, chúng đã trở thành chuẩn tham chiếu phổ biến để đánh giá các kiến trúc mạng nơ-ron.

Đặc điểm

14. Bộ dữ liệu mở Yelp

Lĩnh vực áp dụng: Phân tích cảm xúc, xử lý ngôn ngữ tự nhiên (NLP), hệ thống gợi ý

Bộ dữ liệu mở Yelp là tập hợp quy mô lớn các bài đánh giá, xếp hạng và siêu dữ liệu doanh nghiệp do Yelp cung cấp, chỉ dành cho mục đích học thuật và phi thương mại. Nó rất có giá trị trong việc huấn luyện mô hình phân tích cảm xúc, hệ thống gợi ý và thuật toán phân loại văn bản vì kết hợp ngôn ngữ tự nhiên với các thuộc tính doanh nghiệp có cấu trúc.

Đặc điểm

15. Bản kết xuất dữ liệu Wikipedia

Lĩnh vực áp dụng: NLP, đồ thị tri thức, tiền huấn luyện mô hình ngôn ngữ lớn

Wikipedia cung cấp các bản dump nội dung đầy đủ định kỳ, bao phủ nhiều ngôn ngữ. Đây là một trong những nguồn dữ liệu văn bản đáng tin cậy và sạch nhất cho NLP, hỗ trợ hỏi đáp, trích xuất tri thức và tiền huấn luyện LLM. Tính có cấu trúc và độ bao phủ lĩnh vực rộng khiến nó trở thành tài nguyên không thể thiếu trong nghiên cứu AI.

Đặc điểm

16. Bộ dữ liệu KITTI

Lĩnh vực áp dụng: Lái xe tự động, thị giác máy tính, phát hiện đối tượng 3D

Bộ dữ liệu KITTI là một bộ chuẩn nghiên cứu toàn diện cho lĩnh vực lái xe tự động. Nó bao gồm ảnh từ camera stereo, đám mây điểm LiDAR 3D và dữ liệu GPS/IMU, bao phủ nhiều tình huống lái xe thực tế. KITTI đã trở thành tập dữ liệu nền tảng để huấn luyện và đánh giá các hệ thống cảm nhận cho xe tự hành.

Đặc điểm

17. Fashion-MNIST

Lĩnh vực áp dụng: Phân loại hình ảnh, thị giác máy tính

Fashion-MNIST là giải pháp thay thế hiện đại cho MNIST, bao gồm hình ảnh thang độ xám của các mặt hàng thời trang như áo sơ mi, giày dép và túi xách. Định dạng của nó giống MNIST (ảnh thang độ xám 28×28 pixel), nhưng nhiệm vụ phân loại khó hơn, vì vậy rất phổ biến trong các bài kiểm thử chuẩn cho thuật toán thị giác máy tính.

Đặc điểm

18. Google Natural Questions (NQ)

Lĩnh vực áp dụng: NLP, hệ thống hỏi đáp, truy xuất thông tin

Natural Questions (NQ) là bộ dữ liệu chuẩn do Google tạo ra, cung cấp các truy vấn ẩn danh từ tìm kiếm của người dùng thực cùng với các đoạn Wikipedia tương ứng. Bộ dữ liệu này yêu cầu mô hình thực hiện đồng thời truy xuất và suy luận, và so với các bộ dữ liệu tổng hợp, nó gần với các kịch bản hỏi đáp thực tế hơn.

Đặc điểm

19. Kho tư liệu học máy UCI

Lĩnh vực áp dụng: Máy học đa dụng, giáo dục, phát triển nguyên mẫu

Kho lưu trữ học máy UCI là một trong những nguồn dữ liệu ML ra đời sớm nhất và được sử dụng rộng rãi nhất. Nó bao gồm hàng trăm bộ dữ liệu phục vụ nhiều tác vụ như phân loại, hồi quy và phân cụm. Các nhà nghiên cứu, giảng viên và sinh viên thường dùng bộ dữ liệu UCI cho giảng dạy, thử nghiệm nguyên mẫu và đánh giá chuẩn thuật toán.

Đặc điểm

20. Bộ dữ liệu email Enron

Lĩnh vực áp dụng: NLP, phân loại email, phát hiện thư rác

Bộ dữ liệu email Enron chứa khoảng 500.000 email thực từ công ty Enron nay đã phá sản. Nó đã trở thành bộ dữ liệu tiêu chuẩn cho nghiên cứu về khai phá văn bản, phân tích truyền thông và phát hiện thư rác. Nhờ phong cách giao tiếp doanh nghiệp chân thực, bộ dữ liệu này mang đến những thách thức độc đáo cho việc hiểu ngôn ngữ tự nhiên.

Đặc điểm

21. Kiểm thử chuẩn GLUE (đánh giá hiểu ngôn ngữ tổng quát)

Lĩnh vực áp dụng: NLP, phân loại câu, hiểu ngôn ngữ

GLUE là một bộ benchmark dùng để đánh giá hiệu suất của các mô hình hiểu ngôn ngữ tự nhiên trên nhiều tác vụ, bao gồm phân tích cảm xúc, suy luận văn bản và hệ thống hỏi đáp. Nó đã trở thành tiêu chuẩn vàng để kiểm thử các mô hình dựa trên Transformer như BERT, RoBERTa và GPT. GLUE cung cấp một khung đánh giá thống nhất, thúc đẩy mô hình phát triển theo hướng năng lực NLP tổng quát.

Đặc điểm

22. SuperGLUE

Lĩnh vực áp dụng: NLP, hiểu ngôn ngữ nâng cao

SuperGLUE được giới thiệu như phiên bản kế nhiệm khó hơn của GLUE, bao gồm nhiều tác vụ thách thức hơn để kiểm tra năng lực suy luận, hiểu biết thường thức và phân giải đồng tham chiếu. Bộ này đặc biệt nhắm đến nghiên cứu vượt ra ngoài phân loại văn bản bề mặt và đã trở thành một chuẩn đánh giá quan trọng cho các mô hình NLP mới nhất và tiên tiến nhất.

Đặc điểm

23. Kho ngữ liệu lời nói liên tục âm học-âm vị TIMIT

Lĩnh vực áp dụng: Nhận dạng giọng nói, xử lý âm thanh

TIMIT là bộ dữ liệu kinh điển trong nghiên cứu nhận dạng giọng nói. Nó bao gồm các bản ghi âm của hàng trăm người nói, bao phủ nhiều phương ngữ tiếng Anh Mỹ khác nhau, với mỗi người đọc các câu được tuyển chọn kỹ lưỡng. Bộ dữ liệu này cung cấp bản chép âm vị và từ được căn chỉnh theo thời gian, là nguồn tài nguyên quan trọng cho nhận dạng âm vị và mô hình hóa âm học.

Đặc điểm

24. LibriSpeech

Lĩnh vực áp dụng: Nhận dạng giọng nói tự động (ASR), NLP + âm thanh

LibriSpeech là một bộ dữ liệu giọng nói quy mô lớn, có nguồn từ các sách nói thuộc phạm vi công cộng do tình nguyện viên đọc. Nó được ứng dụng rộng rãi trong huấn luyện hệ thống nhận dạng giọng nói tự động (ASR). Bộ dữ liệu này đồng thời cung cấp bản ghi âm sạch và bản có nhiễu, hỗ trợ phát triển mô hình robust, và là một phần quan trọng của các bộ chuẩn ASR hiện đại.

Đặc điểm

25. Waymo Open Dataset

Lĩnh vực áp dụng: Lái xe tự động, cảm nhận 3D, LiDAR

Waymo Open Dataset là một trong những bộ dữ liệu lái xe tự hành toàn diện nhất hiện có công khai. Nó bao gồm dữ liệu cảm biến độ phân giải cao do xe tự hành của Waymo thu thập, gồm LiDAR, hình ảnh camera và dữ liệu kèm nhãn phát hiện và theo dõi 3D. Bộ dữ liệu này rất quan trọng để thúc đẩy nghiên cứu các hệ thống lái xe tự hành an toàn, vững chắc.

Đặc điểm

26. Human3.6M

Lĩnh vực áp dụng: Ước tính tư thế cơ thể người, bắt chuyển động, thị giác 3D

Human3.6M là một trong những bộ dữ liệu lớn nhất hiện nay về ước lượng tư thế người và nhận dạng hành động. Bộ dữ liệu này bao gồm hàng triệu tư thế người 3D được thu thập bằng công nghệ motion capture, cùng với các bản ghi video tương ứng. Nó được sử dụng rộng rãi để huấn luyện mô hình sâu trong các lĩnh vực như nhận dạng hoạt động, thực tế tăng cường/thực tế ảo (AR/VR) và robot.

Đặc điểm của bộ dữ liệu

27. CelebA (bộ dữ liệu thuộc tính khuôn mặt người nổi tiếng)

Lĩnh vực áp dụng: Nhận diện khuôn mặt, phân loại thuộc tính, huấn luyện GAN

CelebA là một tập dữ liệu thuộc tính khuôn mặt quy mô lớn, bao gồm hơn 200.000 hình ảnh người nổi tiếng và được gán nhãn chi tiết cho 40 thuộc tính khác nhau như giới tính, độ tuổi và biểu cảm. Nó được sử dụng rộng rãi trong nhận diện khuôn mặt, mạng đối kháng sinh sinh (GAN) và nghiên cứu về công bằng cũng như thiên lệch trong trí tuệ nhân tạo.

Đặc điểm của bộ dữ liệu

28. Stanford Sentiment Treebank (SST)

Lĩnh vực áp dụng: Phân tích cảm xúc, NLP, phân loại văn bản

Stanford Sentiment Treebank là một bộ dữ liệu phân tích cảm xúc được gán nhãn rất chi tiết, vượt xa phân loại nhị phân tích cực/tiêu cực đơn giản. Bộ dữ liệu này cung cấp nhãn cảm xúc tinh mức cho các cụm từ trong câu, giúp mô hình hóa cảm xúc phân cấp trở nên khả thi. Đây là bộ dữ liệu có vai trò quan trọng trong việc phát triển các mô hình NLP nhận biết cảm xúc.

Đặc điểm của bộ dữ liệu

29. ImageNet

Lĩnh vực áp dụng: Thị giác máy tính, học sâu, phân loại hình ảnh

ImageNet là một trong những bộ dữ liệu có ảnh hưởng nhất trong lịch sử trí tuệ nhân tạo. Bộ này chứa hơn 14 triệu hình ảnh, được gắn nhãn cẩn thận, bao phủ hàng nghìn danh mục đối tượng. Bộ dữ liệu này đã thúc đẩy cuộc cách mạng học sâu, đặc biệt sau khi AlexNet thành công tại cuộc thi ImageNet Large Scale Visual Recognition Challenge (ILSVRC) năm 2012. Các nhà nghiên cứu và nhà phát triển không chỉ dùng ImageNet để huấn luyện các bộ phân loại hình ảnh mạnh mẽ mà còn sử dụng nó làm chuẩn đánh giá cho các kiến trúc thị giác máy tính mới.

Đặc điểm

30. Cơ sở dữ liệu cấu trúc protein DeepMind AlphaFold

Lĩnh vực áp dụng: Tin sinh học, AI y tế, dự đoán gấp cuộn protein

Cơ sở dữ liệu cấu trúc protein AlphaFold được phát triển bởi DeepMind cùng với EMBL-EBI, cung cấp các dự đoán cấu trúc ba chiều của protein ở quy mô chưa từng có. Nó bao phủ gần như mọi trình tự protein mà khoa học đã biết, và bằng cách cung cấp các dự đoán chính xác về sự gấp cuộn protein, đã làm thay đổi hoàn toàn lĩnh vực sinh học và khám phá thuốc, vốn từng được xem là một thách thức lớn.

Đặc điểm

31. ImageNet-21K

Lĩnh vực áp dụng: Thị giác máy tính, transfer learning, tiền huấn luyện mô hình quy mô lớn

ImageNet-21K là phiên bản mở rộng của bộ dữ liệu ImageNet gốc, bao gồm hơn 14 triệu hình ảnh thuộc 21.000 danh mục. Nó được sử dụng rộng rãi để tiền huấn luyện các mô hình thị giác quy mô lớn trước khi tinh chỉnh cho các tác vụ cụ thể. Phạm vi danh mục rất lớn giúp nó toàn diện hơn so với ImageNet-1K tiêu chuẩn, hỗ trợ mô hình học các đặc trưng thị giác mang tính tổng quát.

Đặc điểm

32. Bộ dữ liệu sản phẩm Amazon (Amazon Reviews)

Lĩnh vực áp dụng: NLP, hệ thống đề xuất, phân tích cảm xúc

Bộ dữ liệu sản phẩm Amazon là một trong những nguồn tài nguyên được sử dụng nhiều nhất cho hệ thống gợi ý và phân tích cảm xúc. Nó chứa hàng trăm triệu đánh giá của khách hàng, siêu dữ liệu sản phẩm và điểm xếp hạng, bao phủ nhiều danh mục khác nhau. Các nhà nghiên cứu dựa vào bộ dữ liệu này để huấn luyện hệ thống gợi ý cá nhân hóa, phân loại cảm xúc và các mô hình phân tích thương mại điện tử.

Đặc điểm

33. Trung tâm bộ dữ liệu Hugging Face

Lĩnh vực áp dụng: NLP, thị giác máy tính, giọng nói, AI đa phương thức

Trung tâm dữ liệu Hugging Face là một nền tảng cộng tác lưu trữ hàng nghìn bộ dữ liệu machine learning trên nhiều lĩnh vực, bao gồm NLP, thị giác máy tính và âm thanh. Nền tảng này được tích hợp chặt chẽ với hệ sinh thái Hugging Face, cho phép các nhà nghiên cứu tải trực tiếp bộ dữ liệu vào Transformers và các pipeline ML khác chỉ với vài dòng mã. Tính chất do cộng đồng thúc đẩy của nó đảm bảo bộ dữ liệu liên tục tăng trưởng và đa dạng hơn.

Đặc điểm

34. Bộ dữ liệu Cityscapes

Lĩnh vực áp dụng: Phân đoạn ngữ nghĩa, hiểu cảnh đường phố đô thị

Cityscapes tập trung vào việc hiểu cảnh quan đường phố đô thị và là một trong những bộ dữ liệu được dùng nhiều nhất trong các tác vụ phân đoạn ngữ nghĩa của thị giác máy tính. Bộ dữ liệu này gồm các ảnh độ phân giải cao chụp tại 50 thành phố châu Âu và cung cấp chú thích chi tiết ở cấp pixel cho các cảnh đường phố. Các nhà nghiên cứu sử dụng Cityscapes rộng rãi để benchmark các mô hình phân đoạn ngữ nghĩa.

Đặc điểm

35. Bộ dữ liệu WMT (Hội thảo Dịch máy)

Lĩnh vực áp dụng: Dịch máy, NLP đa ngôn ngữ

Bộ dữ liệu WMT là tài nguyên cốt lõi được Workshop on Machine Translation công bố hằng năm, cung cấp ngữ liệu song song trên nhiều ngôn ngữ và lĩnh vực, thúc đẩy sự phát triển của các hệ thống dịch máy nơ-ron. Những bộ dữ liệu này được dùng rộng rãi để huấn luyện các mô hình như Google Dịch và Transformers đa ngôn ngữ.

Đặc điểm