每个数据科学家的深度学习数据集
在过去的十年中，机器学习取得了巨大的发展，深度学习是对其发展做出巨大贡献的子领域之一。现代系统拥有的大量数据和巨大的计算能力使数据科学家，机器学习工程师和其他人员在深度学习中取得了突破性的成果，并继续在该领域带来新的发展。
在此博客文章中，我们将介绍您可以作为数据科学家使用的深度学习数据集，但在此之前，我们将提供有关深度学习概念的直觉。
了解深度学习
深度学习是机器学习的一个子领域，其工作结构类似于我们的大脑，称为人工神经网络。它类似于我们的神经系统，其中每个神经元相互连接。在从图像分类到语言翻译的多个行业中，深度学习已渗透到分析生态空间的各个领域。
深度学习的基础是神经网络。为了理解神经网络，例如以房价预测为例，其中房屋大小和价格是变量。为了找到价格，我们可以使用线性回归，但是如果在此处应用深度学习，则将向神经元提供输入，该神经元将在应用某些激活函数（如整流线性单位或ReLU）后生成输出。激活功能的输入为实数，输出为零或该数字。
应用某些功能后将输入映射到相应输出的任务称为监督学习。有不同类型的神经网络可用于不同目的-为了预测房价或广告收入，将使用标准神经网络，而对于图像分类，我们将使用卷积神经网络。此外，递归神经网络用于语音识别，机器翻译等。
尽管数据量有所增加，但是传统的机器学习算法（如Logistic回归，支持向量机，线性回归等）仍无法全面改善。但是，在深度学习的情况下，随着数据的增加，模型的性能也会提高。数据，计算时间和算法是深度学习过程的三个尺度。
以前，使用了S形函数，它降低了学习速度，因此计算时间更长。ReLU激活功能解决了此问题，因为参数更新速度更快并且计算时间减少了。深度学习中的某些其他概念也很重要-正向和反向传播，其解释超出了本文的范围。
现在，在深度神经网络中，隐藏层具有很大的意义。假设有一个图像，那么第一个隐藏层将尝试识别其中的边缘，并且随着您的深入研究，将形成诸如面部识别之类的复杂功能。以下是深度神经网络识别人脸并识别音频的工作过程。
图片->边缘->脸部->脸->所需脸
音频->低级声音功能（sss，bb）->音素->单词->句子
在深度神经网络中，来自上一层的激活是该层的输入，其自身的激活是该层的输出。我们不需要编写大量的代码，因为更多的数据将产生更好的结果。此外，正确的参数选择对于模型的效率至关重要。在反向传播步骤中，将更新参数。深度神经网络的超参数是学习率，迭代次数，隐藏层数，每个隐藏层单位以及激活函数。
深度学习数据集
1. MNIST –流行的手写数字深度学习数据集之一，由6万个训练集示例和1万个测试集示例组成。数据预处理所花的时间最少，而您可以尝试不同的深度识别模式以及对真实数据的学习技术。数据集的大小（如果接近50 MB）。  
2. MS-COCO –它是用于分割，对象检测等的数据集。COCO数据集的特征是–对象分割，上下文识别，东西分割，33万张图像，150万个对象实例，八十个类别对象，91个类别的工作人员，每个图像标题5个，250
3.  ImageNet  –关于WordNet层次结构组织的图像数据集。WordNet中有一个十万个短语，每个短语平均显示1000张图像。它是一个庞大的数据集，大小为150 GB。
4. VisualQA –关于图像的开放性问题存在于此数据集中，需要视觉和语言理解。功能包括– 265
5.  CIFAR-10  –图像分类数据集，由十个类别的六万张图像组成。数据集中有五个训练批次和一个测试批次，每个批次有10000张图像。大小为170 MB。
6. Fashion-MNIST –数据集中有6 万张训练图和1万张测试图像。创建该数据集以直接替代MNIST数据集。大小为30 MB。  
7. 街景门牌号 –物体检测问题的数据集。与MNIST数据集相似，仅需最少的数据预处理，但从Google Street收集的带有标签的数据可以查看门牌号。大小为2.5 GB。  
8. Sentiment140 –它是执行情感分析的自然语言处理数据集。最终数据集中有六个特征，其中情感已从数据中删除。功能包括–鸣叫极性，鸣叫ID，鸣叫日期，查询，用户名，鸣叫文本。  
9. WordNet –这是一个大型的英语同义词集数据库，描述了同义词的不同概念。大小接近10 MB。  
10. 维基百科语料库 –它包含19亿条文本记录，涉及超过400万篇文章。您可以使用短语，单词进行搜索。  
11. Free Spoken Digit –受MNIST数据集的启发，创建它的目的是识别音频样本中的口头数字。贡献的人越多，它就会增长得更多。该数据集的特征是三个说话者，一千五百个录音和英语发音。数据集的大小接近10 MB。  
12. 免费音乐档案 -这是一个音乐分析数据集，具有HQ音频功能和用户级元数据。大小几乎为1000 GB。  
13. 宴会厅 –舞蹈音频文件数据集，其中以真实音频格式提供了许多舞蹈风格的摘录。数据集由698个实例组成，持续时间为30秒，总持续时间为20940秒。  
14. 百万首歌曲 -此数据集中存在一百万首音乐曲目的音频功能和元数据。数据集是创建大型数据集的替代方法。此数据集中只有派生的功能，而没有音频。大小接近280 GB。  
15. LibriSpeech –它包括英语演讲一千小时。数据集已正确分割，并且有声学模型对此进行了训练。  
16. VoxCeleb –这是一个说话人识别数据集，它从YouTube的视频中提取，包含1251位名人的十万次讲话。性别分布均衡，专业，口音等范围广泛。有趣的任务是识别语音所属的超级明星。  
17. 城市声音分类 –该数据集包含来自十个类别的8000个城市声音摘录。训练大小为3 GB，测试集为2 GB。  
18. IMDB评论 –对于任何电影迷来说，这都是理想的数据集。用于二进制情感分类，除训练和测试复查示例外，还具有未标记的数据。大小为80 MB。  
19. 二十个新闻组 –数据集中包含报纸信息。从二十种不同的报纸中，使用了1000篇Usenet文章。主题行，签名等是其中的一些功能。数据集的大小接近20 MB。  
20. Yelp评论 –该数据集用于学习目的，由Yelp发布。它由用户评论和两万多张图片组成。JSON文件大小为2.66 GB，SQL为2.9 GB。“照片”为7.5 GB，所有压缩在一起。  
结论
深度学习，人工智能彻底改变了我们的世界，并解决了许多现实生活中的问题。数据科学家已经深深地培养了空前的数据功能，并将继续这样做，以使世界成为一个改善和安全的生活环境。每时每刻，新的发展正在经历并且其能力不断增强。随着现代计算机的发展，探索领域也呈指数增长。
随着数位专业人士试图进入这一领域，他们必须首先学习编程，而Python是开始其编程之旅的理想语言。
1