The Quick Draw Dataset is a collection of 50 million drawings across 345 categories, contributed by players of the game Quick, Draw!. The drawings were captured as timestamped vectors, tagged with metadata including what the player was asked to draw and in which country the player was located.飛行機やイヌなど 345 カテゴリの手書きベクトルデータが ndjson 形式ファイル等で公開されている。
2017-05-19
GitHub - googlecreativelab/quickdraw-dataset: Documentation on how to access and use the Quick, Draw! Dataset.
https://github.com/googlecreativelab/quickdraw-dataset
2017-05-11
GitHub - mdeff/fma: FMA: A Dataset For Music Analysis
https://github.com/mdeff/fma
The dataset is a dump of the Free Music Archive (FMA), an interactive library of high-quality, legal audio downloads.
Then, you got various sizes of MP3-encoded audio data:
1. fma_small.zip: 8,000 tracks of 30s, 8 balanced genres (GTZAN-like) (7.2 GiB)
2. fma_medium.zip: 25,000 tracks of 30s, 16 unbalanced genres (22 GiB)
3. fma_large.zip: 106,574 tracks of 30s, 161 unbalanced genres (93 GiB)
4. fma_full.zip: 106,574 untrimmed tracks, 161 unbalanced genres (879 GiB)
2017-05-01
京都大学ウェブ文書リードコーパス - KWDLC - KUROHASHI-KAWAHARA LAB
http://nlp.ist.i.kyoto-u.ac.jp/index.php?KWDLC
本コーパスは、さまざまなウェブ文書のリード(冒頭)3文に各種言語情報を人手で付与したテキストコーパスです。ウェブ文書のリード3文を収集することによって、ニュース記事、百科事典記事、ブログ、商用ページなど多様なジャンル、文体の文書を含んでいます。コーパスの規模は約5,000文書です。
言語情報としては、形態素・固有表現・構文・格関係、照応・省略関係、共参照、談話関係の情報を付与しています。談話関係以外の情報は、形態素解析システムJUMAN、構文・格・照応解析システムKNPで自動解析を行い、その結果を専門家が修正したものです。談話関係については、クラウドソーシングを利用して付与しています。
2017-04-13
GitHub - visipedia/inat_comp: iNaturalist competition details
https://github.com/visipedia/inat_comp
画像の書庫サイズが 186 GBもある。
There are a total of 5,089 categories in the dataset, with 579,184 training images and 95,986 validation images.
5,089個のカテゴリーの画像データセットをダウンロードできる。
- Training and validation images [186GB]
- Training and validation annotations [26MB]
画像の書庫サイズが 186 GBもある。
2017-03-19
雑談対話コーパス - 対話破綻検出チャレンジ
https://sites.google.com/site/dialoguebreakdowndetection/chat-dialogue-corpus
本コーパスはNTTドコモが一般公開している雑談対話APIを用いた雑談対話システムとユーザが21発話からなるやりとりを行った対話データで，116名の話者による1,146対話が収録されています．
2016-11-20
コーパス開発センター -Center for corpus development-
http://pj.ninjal.ac.jp/corpus_center/
国立国語研究所コーパス開発センターでは、日本語の全貌を把握するための言語コーパス (language corpus)を構築しています。
分類語彙表－増補改訂版データベース | 国立国語研究所
https://www.ninjal.ac.jp/archives/goihyo/
本データベース版は，書籍版の『分類語彙表 −増補改訂版−』の元となったデータを加工したものです。データベースソフトに取り込めるようCSV形式になっています。レコード総数は，101,070件ですhttp://pj.ninjal.ac.jp/corpus_center/files/bunruidb.zip
分類語彙表増補改訂版データベース
著 者: 国立国語研究所（編）
2004年公開
2016-07-09
The Stanford Question Answering Dataset
https://stanford-qa.com/
Stanford Question Answering Dataset (SQuAD) is a reading comprehension dataset, consisting of questions posed by crowdworkers on a set of Wikipedia articles, where the answer to every question is a segment of text, or span, from the corresponding reading passage. With 107,785 question-answer pairs on 536 articles, SQuAD is significantly larger than previous reading comprehension datasets.質問応答データセット。