Conjuntos de datos públicos para Machine Learning

Los conjuntos de datos (datasets) son una parte integral del desarrollo, prueba y ejecución de modelos de aprendizaje automático o Machine Learning (ML). Sabemos que, si se requieren datos específicos de un tema, la creación o recopilación de los datos necesarios será un proceso que llevará mucho tiempo en la mayoría de los casos. Por esta razón, los conjuntos de datos públicos pueden ayudar a mejorar la productividad, al reducir la necesidad de crearlos desde cero.

En años recientes, múltiples organizaciones han creado y compartido miles de conjuntos de datos públicos para ayudar al avance de la industria tecnológica. Entre los datasets públicos más populares están ImageNet y MNST. Actualmente, los conjuntos de datos públicos están disponibles para su uso en verticales como clasificación de imágenes, reconocimiento facial, clima, detección de objetos y mucho más. 

Ciertamente, los conjuntos de datos públicos pueden ser útiles para trabajar con modelos de ML que aborden problemas como enfermedades cardíacas, sequías, diabetes y la pobreza. Sin embargo, es necesario entender los desafíos que plantean, incluso a nivel ético. Tomemos como ejemplo el reconocimiento facial: catalogar rostros de personas puede ser considerado una invasión a la privacidad en el dominio público.

En la siguiente sección, se presentan 25 conjuntos de datos o datasets públicos: