Јавно доступни скупови података¶
Због популарности дисциплина које су засноване на подацима, постоји велики број јавно доступних скупова података. Ипак, као и у другим областима, и овде је пожељно да водимо рачуна о релевантности извора, квалитету података и лиценцама које прате њихову употребу. У наставку се налази листа репозиторијумима који могу бити од користи у процесу учења.
UCI¶
Један од првих репозиторијума за дељење података у заједници која се бави машинским учењем је репозиторијум Универзитета у Калифорнији Ирвин (енг. University of California, Irvine, UCI). Овај репозиторијум је креиран још 1987. године и садржи око 600 скупова података који се користе у почетним задацима машинског учења. Скупови података су разврстани по областима (друштвене науке, рачунарство, бизнис и слично), задацима за које су погодни (регресија, класификација, кластеровање), типовима атрибута које садрже (нумерички, категорички, комбиновани), као и по броју инстанци. Званични линк репозиторијума је https://archive.ics.uci.edu/.
Упознај скупове Iris и Breast Cancer Wisconsin, два врло популарна скупа података, који се користе у задацима класификације.
Лого репозиторијума UCI
Kaggle¶
Платформа Kaggle окупља професионалце и ентузијасте у свету машинског учења и науке о подацима. На овој платформи можеш пронаћи велики број јавно доступних скупова података који су организовани по различитим критеријумима (домен примене, тежина задатка, врста задатка и слично). У највећем броју случајева можеш да видиш и примере експеримената у форми Jupyter свезака које их прате, што може бити врло корисно у процесу учења и упознавања технологија. На платформи Kaggle можеш и да отвориш налог и да користиш Jupyter свеске у облаку. Овај начин рада има погодности јер олакшава инсталацију пропратних алата и подешавање окружења, баш као и платформа Google Colab. Занимљиво је и да се платформа Kaggle користи за организовање такмичења и заједнички рад на важним проблемима. Један такав пример је креирање модела који могу да предвиде стања пацијената инфицираних ХИВ-ом.
Линк до платформе Kaggle је https://www.kaggle.com/.
Пронађи и упознај скуп података Boston Housing, који се врло често користи као почетни скуп у регресионим задацима.
Лого платформе Kaggle
Awesome Public Datasets¶
Још један занимљив извор података је репозиторијум Awesomе Public Datasets на платформи GitHub. Репозиторијум тренутно има преко 55.000 звездица и представља нешто неформалнији извор квалитетних отворених скупова података које одржава заједница. На репозиторијуму су скупови података систематизовани по областима као што су спорт, едукација, агрикултура, биологија, здравство, астрономија, музеологија и многе друге. Највећи број скупова података је и бесплатан. Линк до репозиторијума је https://github.com/awesomedata/awesome-public-datasets.
Лого репозиторијума Awesomе Public Datasets
Пронађи и упознај неки скуп података из области које волиш и промисли да ли би и ти укључио сличне атрибуте.
Портал отворених података Републике Србије¶
Република Србија од 2018. године учествује у програму отворених података, који подразумева дељење података, без угрожавања поверљивости и приватности, у поседу државних органа Републике Србије. Ту се убрајају Влада, министарства, регулаторна тела, локалне самоуправе и многе друге организације. Овакви подаци се деле са идејом да се транспарентно укаже на све активности државних органа, као и да се створи креативан простор за унапређивање квалитета постојећих услуга и информисанијег формулисања и спровођења јавних политика.
Линк до портала отворених података је https://data.gov.rs/sr/ и на њему можеш пронаћи скупове података о квалитету ваздуха, промету и потрошњи лекова, свим студијским програмима на универзитетима и многе друге.
На порталу отворених података постоји и секција ”Примери употребе”. Истражи апликације које су развијене коришћењем отворених података и одабери свог фаворита.