بهشت دیتاستها برای یادگیری ماشین و یادگیری عمیق!

40 7,873

بسم الله الرحمن الرحیم

“مطلب زیر قبلا در ۱۵ فروردین ارسال شد بود که متاسفانه بخاطر اتفاقی که برای سرور افتاد این مطلب و… از بین رفت”

سلام به همگی امیدوارم که تعطیلات عید رو بخوبی گذرونده باشید. امروز خیلی اتفاقی با یه مسئله ای برخورد کردم که حیفم اومد یه مطلب جداگانه برای معرفیش نذارم. اگه مطالب اولیه سایت رو خونده باشید و همینطور بخشهایی مثل منابع و ابزارها حتما اطلاع دارید که من دايما هر زمانی که فرصت کنم مطالب رو ویرایش و مطالب جدیدی رو اضافه میکنم . ممکنه کسایی که از سایت دیدن میکنن در نظر اول این تغییرات به چشم نیاد و اینطور مطالب خوبی رو از دست بدن .

برای همین من تصمیم گرفتم این مورد خاص رو تو یه پست جداگانه مطرح کنم تا احیانا دوستانی که میان بتونن بنحو احسنت ازش استفاده کنند.

من امروز میخوام بشما (یکی از) بزرگترین مخزنهای دیتاستهای مربوط به حوزه یادگیری ماشین و یادگیری عمیق در جهان! رو معرفی کنم. خودم من از پیدا کردن این سایت خیلی خوشحال و ذوق زده هستم . اون سایت  AcademicTorrents هست.

تو این سایت شما میتونید بزرگترین دیتاست ها تو تمام زمینه هایی که فکرشو بکنید پیدا کنید. از دیتاست عظیمی مثل ImageNet2012 با تقریبا ۲۰۰ گیگابایت حجم گرفته تا دیتاستهای پزشکی و دریایی و نقاشی های ونگوگ! و الی اخر رو میتونید پیدا کنید.

نکته خیلی مهمی که باعث میشه این سایت فوق العاده برای ما مهم باشه اینه که بعضی از دیتاستهایی که شما اونجا پیدا میکنید در حالت عادی امکان استفاده ازش رو ممکنه پیدا نکنید. یعنی چی ؟ بعنوان مثال شما برای دانلود دیتاست ایمیج نت حتما باید ایمیل دانشگاهی داشته باشید و تایید بشید و اگر در دانشگاهی باشید که ایمیل بهتون ندن و یا دانشگاه شما تایید نشه نمیتونید از این دیتاست استفاده کنید.(دانلود تصاویر البته. بصورت ریموت میتونیدالبته!) دیتاست های دیگه ای هم هستن که بصورت مکتوب یک اجازه نامه رو باید ببرید ریاست دانشگاه تایید بکنه که شما قصد تحقیقات اکادمیک دارید و از طرف فلان دانشگاه هستید و با مفاد مندرج در موافقنامه دیتاست موافقید و بعد اون اجازه نامه رو بعد تایید ارسال کنید تا اونقوت بتونید دیتاست رو دانلود و استفاده کنید. و این تازه مربوط به دانشجوهاست . اگر شما فارغ  التحصیل شده باشید و یا تو یه شرکت قصد انجام یکسری تحقیقات تو این زمینه رو داشته باشید قائدتا مشکلات بیشتری براتون پیش میاد. یا باید با واسطه از ایمیل یک دانشجو دیگه برای دانلود استفاده کنید و یا کلا بیخیال بشید) . شخصا خود من مشکلاتی که گفتم رو باهاش برخورد کردم . مسئولین دانشگاه امضا موافقت نامه رو به این بهانه که قبلا مورد مشابهی بوده و مشکل ایجاد شده و الخ رد میکردن و امضا نمیکردن و کلی داستان دیگه .

برای همین وجود یک همچین سایتی مثل یک جواهر میمونه . تو این سایت شما حتی میتونید آموزش های مختلف اساتید برتر دنیا مثل اندرو ان جی استاد ماشین لرنینگ دانشگاه استنفورد و یکی از مهندسان ارشد شرکت بایدو و یا جفری هینتون یکی از بنیانگذاران یادگیری عمیق و استاد دانشگاه تورنتو (استاد الکس کریژوسکی برنده رقابت ۲۰۱۲ ایمیج نت!) و… رو پیدا کنید .حتی آموزش دانشگاه استنفورد که من اخیرا گذاشتم هم بصورت کامل اینجا هست و میتونید دانلود کنید. به اینها مقالات رو هم اضافه کنید . در یک کلام این سایت فوق العاده است.

این سایت توسط دانشگاه های مطرح دنیا استفاده میشه و امیدوارم شما هم بهترین استفاده رو ازش ببرید.

در پناه حق موفق و سربلند باشید

40 نظرات
  1. حاجیان می گوید

    سلام خسته نباشید
    میخواستم بدونم میشه از یادگیری عمیق برای دیتاستی که تعداد نمونه هاش ۸۸تاست و تعداد ویژگی هاش ۲۳۰۸تاست استفاده کنم البته از PCA برای کاهش ابعادش استفاده کردم؟
    آخه میگن یادگیری عمیق برای دیتاستی که بالای ۱میلیون نمونه داشته باش جواب میده

    1. سید حسین حسن پور می گوید

      سلام .
      من با این مقدار کار نکردم اما احتمالا بتونید با یکسری عملیات های پیش پردازشی اندازه دیتاست رو حداقل چند برابر کنید. و علاوه بر اون باید از pretraining استفاده کنید
      یعنی یک مدلی رو روی یک دیتاستی که شبیه نمونه های شماست اموزش بدید بعد بیایید داده های اصلی رو اضافه کنید و شبکه رو تنظیم کنید تا به نتیجه دلخواه برسید .
      نه هیچ الزامی نیست که حتما دیتاست شما بالای ۱ میلیون نمونه داشته باشه (کی اینو بشما گفته؟!) .
      داستان اینه که هرچقدر دیتاست بزرگتری داشته باشیم سریعتر به دقت بهتر و با تعمیم خیلی بهتر مواجه میشیم.
      برای همین هرچقدر نمونه بیشتری داشته باشید “بهتره”.

      1. اطهر می گوید

        اگر تاثیر تعداد داده تنها در سرعت همگرایی قایل مشاهده است. چرا اقای هینتون توی مقاله dropoutاش میگه:
        When a large feedforward neural network is trained on a small training set,

        it typically performs poorly on held-out test data
        تعمیم خیلی بهتر یعنی همون دقت در تست دیگه. یعنی میشه گفت اندازه داده کوچیک و کلاس بالا نمیتونه توی دیپ جوابی به خوبی همون تعداد کلاس اما با اندازه دیتای ترین بزرگ ؛ داشته باشه؟
        منظوز من اینه که در دیپ عین همه متد های ماشین لرنینگ نمیشه از ترین داده کوچیک انتظار خوبی داشت و این به این دلیل است که برای اموزش پارامتر هایی با تعداد میلیونی نباید ازداده هایی با تعداد گمتر از میلیون استفاده کرد. یک جوری مثل تناسب تعداد معادله ها و داد مجهول ها درسته؟

        1. سید حسین حسن پور متی کلایی می گوید

          سلام.
          در حالت کلی بله اندازه داده کم با تعداد کلاس بالا بخوبی همون تعداد کلاس و دیتای بیشتر نیست. قطعا همینطوره. اما برداشت و نتیجه گیری آخری که کردین اشتباهه
          ماهیت همه شبکه های فیدفوروارد (یا روشهای مختلف ) با هم یکی نیست برای همین هم خصائص و ویژگی های خاصی رو بروز میدن.
          چندتا مساله اس که در شیوه های سنتی باعث میشه بصورت بهینه از داده ارائه شده استفاده نشه.
          یکیش بحث رپرزنتیشن هست که شما چطوری دارید داده رو ارائه میکنید و چطور از اون اطلاعات مورد نیاز بدست میاد یا بر اساس اون اطلاعات تصمیمی گرفته میشه.مرزی مشخص میشه و…
          مورد دیگه بحث اورفیتینگ هست چیزی که بطور خاص قبل از ظهور شیوه های دیپ لرنینگ خیلی باعث مشکل میشد. و بطور خاص باعث میشد از ظرفیتی که در اختیار هست نشه بصورت بهینه استفاده کرد.
          این دوتا مساله از مهمترین و تاثیرگذارترین مسائل تو این حوزه هستن
          فقط بحث رپرزنتیشن به تنهایی تاثیر بسیار زیادی تو نحوه حل مسائل داشته و داره. و بخاطر همین مساله ما در روشهای دیپ وقتی که با میلیون ها پارامتر مواجه هستیم نیاز به میلیون ها نمونه آموزشی نداریم .
          روشهای دیپ لرنینگ مبتنی بر distributed representation هستن و همین قدرت بسیار زیادی رو نسبت به روشهای دیگه ارائه میکنه.
          مثلا شما فرض کنید ما ۴ شی مختلف داریم (مثل مستطیل افقی و عمودی و بیضی افقی و عمودی ) و میخوایم با ۴ وزن اونها رو تو حافظه ذخیره کنیم (یا بهتر represent کنیم).
          در حالت عادی میتونیم به شکل زیر اونها رو ذخیره کنیم
          مثلا
          مستطیل افقی| مستطیل عمودی|بیضی افقی |بیضی عمودی
          A = 1 0 0 0
          B = 0 1 0 0
          C = 0 0 1 0
          D = 0 0 0 1
          (پس A ,B بیضی هستن و C , D هم مستطیل ).
          در این حالت تمام فضایی که در اختیار داشتیم رو استفاده کردیم و حالا اگه شی جدیدی رو هم بخواییم لحاظ کنیم چیزی نمونده و مجبوریم حتما یکی از اشیا قبلی رو پاک کنیم تا حافظه برای شی جدید وجود داشته باشه.یا اینکه یک فضای جدید اختصاص بدیم برای شی جدید.
          حالا اگه بخواییم همینو بصورت distributed representation ذخیره کنیم میشه بصورت زیر مثلا اینکارو کرد :
          مستطیل| بیضی| افقی| عمودی
          A = 1 0 1 0
          B = 0 1 1 0
          C = 1 0 0 1
          D = 0 1 0 1
          خب حالا با این شیوه ما داریم هر شی رو بر اساس ترکیبی از خصائص توزیع شده کد میکنیم و با این کار اگر شی جدیدی وارد بشه باز میتونیم براحتی اون رو represent کنیم.
          مثلا ما میتونیم یک دایره رو بصورت
          Circle = 1 1 1 0
          کد کنیم . یعنی بیضی ای که هم بصورت افقی و هم عمودی هست.
          بعبارت دیگه یعنی در حالت اول ما نمیتونیم داده جدیدی رو با توجه به تعداد بعدی که داریم represent کنیم و باید بعد جدیدی اضافه کنیم . اما در حالت دوم ما میتونیم از ترکیب پارامترهایی که داریم اشیاء جدیدی مثل دایره رو هم رپرزنت کنیم .
          همه اینها بطور خلاصه یعنی یک مفهوم توسط چند نورون مشخص کرد و یک نورون هم بیش از یک مفهوم رو میتونه ارائه کنه.

          مثال من شاید زیاد قشنگ نباشه و اگه distributed representation رو خوب متوجه نشدید با این مثال فکر میکنم این لینک دیگه کاملا مشکل رو برطرف کنه : http://www.indiana.edu/~gasser/Q530/Notes/representation.html بنظر من خیلی قشنگ این رو با مثال توضیح داده.

          برای همین شما در عمل میبینید که میشه با تعداد دیتای بسیار کمتر نسبت به تعداد پارامترهاتون به دقت بسیار مناسبی برسید. (البته روشهای مختلفی هست که میشه در زمان کوچیک بودن دیتاست از اونها برای جبران این قضیه استفاده کرد در روشهای یادگیری عمیق که البته مورد بحث ما اینجا نیست.)

    2. پیمان می گوید

      معمولا میگن تعداد نمونه ها از تعداد ویژگی ها بیشتر باشه

  2. حاجیان می گوید

    بله بهم گفته بودند بالای ۱میلیون بهتر جواب میده اینجوری با این تعداد دیتاست دقت ممکنه کمتر بشه
    ایشون دانشجوی دکترای هوش بودند اشتباه از من بود که بد بیان کردم
    متشکر از زمانی که اختصاص داد

    1. سید حسین حسن پور می گوید

      اینطور فرمایش شما و اون دوست بزرگوارمون درسته .
      خواهش میکنم کاری نکردم .

  3. farzaneh می گوید

    خدا خیرت بده از کی بود دنبال دیتاست pascal میگشتم
    عاااااااالی بووووووود

  4. رضازاده می گوید

    فریبا رضازاده

    سلام مهندس
    دستت درد نکن شما همیشه با مطلبهایی که میذارید خیلی به دیگران کمک می کنید.
    اگر میدونستم که شما یه همچین سایتی رو می شناسی اول میومدم سراغ خودتون :d
    کار منو یکی از دوستانمو با معرفی این سایت راه انداختی

    بازم خییییییییییلییییییییییییییییییی ممنون

    1. سید حسین حسن پور می گوید

      سلام .
      خدا رو شکر 🙂

  5. علی می گوید

    سلام
    این هم به نظرم بد نیست
    لینک خود دیتا ست ها : http://ctc2015.gryf.fi.muni.cz/Public/FirstEdition/
    لینک وب سایت این مسابقه هه :‌http://www.codesolorzano.com/celltrackingchallenge/Cell_Tracking_Challenge/Datasets.html

    1. سید حسین حسن پور می گوید

      سلام .
      خیلی ممنونم
      جالب بودن دست شما درد نکنه

  6. الهه می گوید

    با سلام و خسته نباشید
    میخواستم بابت تمامی مظالبی که توی سایت خوبتون قرار میدین ازتون تشکر کنم.
    بینهایت ممنونیم که دانش و تجربیات ارزشمندتون رو با ما به اشتراک میزارین.

    1. سید حسین حسن پور متی کلایی می گوید

      سلام .
      خواهش میکنم
      انشاالله مفید واقع بشه
      در پناه حق موفق و سربلند باشید

  7. maryam می گوید

    سلام
    میخواستم بپرسم برای فشرده سازی تصاویر با استفاده از دیپ لرنینگ چه دیتا بیسی خوبه؟
    ممنون

    1. سید حسین حسن پور متی کلایی می گوید

      سلام منظور شما رو متوجه نشدم
      بیشتر توضیح بدید تا اگه چیزی هست خدمتتون عرض کنم

  8. سميه می گوید

    سلام،من يه ديتاست ميخاستم براي شبكه هاي حسگر بي سيم زير اب
    نميدونم چي سرچ كنم

    1. سید حسین حسن پور متی کلایی می گوید

      سلام
      معمولا اگه دیتاست نمیدونید چی سرچ کنید برید سراغ مقالاتی که کار کردن بعد اونجا ببینید به چه دیتاستهایی ارجاع دادن . یا نام بردن اونها رو جستجو کنید
      اینطور خیلی سریعتر به جواب میرسید معمولا
      علاوه بر اون میتونید در بخش پرسش و پاسخ سایت سوال بپرسید در این مورد که اگر کسی دیتاستی در این مورد میشناسه معرفی کنه .
      البته پیشنهاد میشه بصورت موازی در سایت پرسش و پاسخ ما و همینطور Quora.com وhttps://datascience.stackexchange.com و امثالهم هم استفاده کنید و یک سوال رو چند جا بپرسید تا سریعتر جواب بگیرید .
      در گروه یادگیری عمیق (تلگرام) هم میتونید ببینید چه کسانی در این رابطه کار کردن و بعد از اونها صلاح مشورت بگیرید .

  9. رویانیان می گوید

    سلام و خداقوت
    پایان نامه من درمورد تشخیص سرطان خون با استفاده از روشهای داده کاویه، این دیتاست که معرفی کردین به دردم میخوره؟

  10. صابر می گوید

    سلام آیا درسته که برای اجرای دیپ لرنینگ به سخت افزار های ویژه نیازمندیم.

    1. سید حسین حسن پور متی کلایی می گوید

      سلام
      برای آموزش دادن بله (البته این هم بستگی داره ولی ۹۰ ۹۹ درصد اوقات بله)

  11. میلاد می گوید

    از شرکت های ایرانی جز کافه بازار جایی هست دیتا ست پابلیک داشته باشه؟

    1. سید حسین حسن پور متی کلایی می گوید

      سلام.
      نه متاسفانه من اطلاعی ندارم.

  12. Zahra می گوید

    با سلام.من دانشجویدکتری در رشته ریاضی هستم و در حوزه علوم داده مشغول به یاد گیری هستم. در مورد درس یادگیری عمیق ازتون راهنمایی میخواستم و اینکه کدوم دانشگاه برای شرکت در کلاسش برم و چه استادی. ممنون میشم راهنمایی کنید و

    1. سید حسین حسن پور متی کلایی می گوید

      سلام.
      اموزش دانشگاه استنفورد خوبه . بعدش اموزش اندرو ان جی در کورس ایرا رو ببینید
      بعد هم میتونید اموزش fast.ai جرمی هاوارد رو ببینید .

  13. محمدیان می گوید

    سلام وقت شما بخیر
    میشه روشی رو بیان کنید که بدون اپلود دیتاست در کولب بتونم ازآن دربرنامه است استفاده کنم.خیلی تلاش کردم برای اپلود متاسفانه سرعت بسیار پایین هست و نشد.

    1. سید حسین حسن پور متی کلایی می گوید

      سلام.
      در کامنتهای مربوط به اموزش گوگل کولب من جواب دادم . لطفا اون بخش رو مطالعه کنید. (یکی از راحت ترین کارها استفاده از گیت هاب هست)

  14. سارگل می گوید

    سلام …وقتتون بخیر ..عذر میخوام در این سایتی که معرفی کردید دیتا ستی از تصاویر سی تی اسکن هم موجوده؟! میشه راهنمایی کنید .

    1. سید حسین حسن پور متی کلایی می گوید

      سلام
      تو منابع دیگه سرچ کنید احتمال پیدا کردنش بیشتره خیلی

  15. الهام می گوید

    سلام
    وقت بخیر
    یه سری تصویر پزشکی از کلیه دارم، برای پردازش تصویر میخوام استفاده کنم. بعد از شبکه های عصبی عمیق برا کلاس بندی استفاده کنم. اگه لطف کنید راهنماییم کنید که چطوری تصاویر را به دیتاست اضافه کنم و مراحل رو چجوری پیش برم ممنون میشم.

    1. سید حسین حسن پور متی کلایی می گوید

      سلام. بر اساس فریم ورک انتخابیتون باید پیش برید. آموزش دسته بندی یا classification رو در فریم ورک مورد نظرتون سرچ کنید کلی آموزش و… بدست میارید که میتونید استفاده کنید.

  16. ELn می گوید

    سلام
    دو سوال
    الان من دنبال دیتاست Gaitم، اصلا پیدا نمیشه، یکی از منابع معروف CASIA هستش که جواب ایمیلم رو ندادن
    بنظرتون چیکارکنم؟!
    سوال دوم
    درمورد YOLOv5 یه کم مطلب بذارید…خیلی عالیه…
    ممنون

    1. سید حسین حسن پور متی کلایی می گوید

      سلام
      تو ریپازیتوری های گیتهاب مربوط به پیاده سازی مقالاتی که از این دیتاست استفاده میکنن بگردید معمولا دیتاست ها بصورت زیپ شده یا پری پراسس شده رو بعضی ها قرار میدن .
      سرفرصت انشاءالله

  17. سعید می گوید

    سلام من یک دیتاست دارم که حدودا ۱۵۱۴ تا نمونه داره با ۲۲ تا ویژگی ولی در دیپ لرنینگ ولی accuracy می گیرم عدد خیلی پایینی مثلا ۰٫۰۳۵ می ده هدف من اینه که کاربر رو باتوجه به rate داده شده به مکانی که طبقه بندی شده در یک طبقه خاص طبقه بندی کنم لطفا راهنمایی بفرمایید یا اگه لازمه بفرمایید که برای شما دیتاست رو ایمیل کنم ممنم از راهنمایی شما

  18. ایمان می گوید

    با سلام دوست عزیز شما با نرم افزار rosetaکار کرده اید یا نه

    1. سید حسین حسن پور متی کلایی می گوید

      سلام.
      خیر

  19. الهام می گوید

    از سایت اکادمیک تورنت میخوام دانلود کنم حجم فایل بالاست ۱۳ گیگ ولی یه فایل کم حجم دانلود میشه چرا ؟
    یوزر هم ساختم ولی وارد نشد
    میشه تورو خدا کمکم کنید

    1. سید حسین حسن پور متی کلایی می گوید

      سلام شما فایل تورنت رو دانلود میکنید بعد باید با یه برنامه مثل bit torrent یا utorrent فایلهای اصلی رو دانلود کنید. کافیه بیت تورنت رو دانلود و نصب کنید بعد این فایلی که از اکادمیک تورنت دانلود کردید ررو باهاش باز کنید بقیه اش مشخصه.

  20. الهام می گوید

    سلام این دیتاهای اکادمیک تورنت رو نتونستم دانلود کنم ؟ مشکلم کجاست ؟ به خاطر پولی بودنه ؟؟ تو رو خدا کمک میخواام

    1. سید حسین حسن پور متی کلایی می گوید

      جوابتون رو قبلا دادم بیت تورنت رو دانلود و نصب کنید و بعد فایلی که از تکادمیک تورنت دانلود کردید رو با اون باز کنید وو فایلهای اصلی رو دانلود کنید

آدرس ایمیل شما منتشر نخواهد شد.

این سایت از اکیسمت برای کاهش هرزنامه استفاده می کند. بیاموزید که چگونه اطلاعات دیدگاه های شما پردازش می‌شوند.