Conjuntos de dados públicos para Machine Learning

Os conjuntos de dados (datasets) são parte importante do desenvolvimento, teste e execução de modelos de aprendizado de máquina ou Machine Learning (ML). Sabemos que, se forem necessários dados específicos de um tópico, criá-los ou coletá-los será um processo demorado na maioria dos casos. É por isso que os conjuntos de dados públicos podem ajudar a melhorar a produtividade, reduzindo a necessidade de criá-los do zero. 

Nos anos recentes, múltiplas organizações criaram e compartilharam milhares de conjuntos de dados públicos para ajudar com os avanços na indústria tecnológica. Entre os datasets públicos mais populares estão ImageNet e MNST. Na atualidade, conjuntos de dados públicos estão disponíveis para uso em verticais como classificação de imagens, reconhecimento facial, clima, detecção de objetos e muito mais. 

Com certeza, os conjuntos de dados públicos podem ser úteis no desenvolvimento de modelos de ML que abordam problemas como doenças cardíacas, secas, diabetes e a pobreza. Porém, é necessário entender os desafios que podem se apresentar, inclusive ao nível ético. Tomemos, por exemplo, o reconhecimento facial: catalogar rostos de pessoas é uma invasão de privacidade no domínio público. 

Na seção abaixo, 25 conjuntos de dados ou datasets públicos são listados: