Los MEJORES SITIOS para DESCARGAR DATASETS y crear modelos de IA 🔥
¡Hola, hola Omesitos! En nuestras prácticas anteriores con TensorFlow, habíamos abordado la creación de redes neuronales para resolver problemas sencillos. En la primera, entrenamos una red para identificar si una operación matemática aplicada a tres números correspondía a una suma, resta, multiplicación o división. En la segunda, predijimos el volumen de un cilindro con redes neuronales. Para ambos casos, creamos nuestros propios datasets, lo cual nos permitió familiarizarnos con el proceso de entrenamiento en TensorFlow.
Sin embargo, en el mundo real, la recolección y preparación de datos puede ser un proceso complejo. Para facilitar esta tarea, existen numerosos datasets públicos que podemos aprovechar para practicar, investigar o aplicar modelos de machine learning. A continuación, exploramos algunas de las mejores fuentes para obtener datasets gratuitos.
1. 📦Datasets de Tensorflow
Tensorflow como otros frameworks de machine learning como sklearn o pytorch, posee una colección de datasets lista para usar. En el apartado «Catalog» se pueden explorar todas las opciones disponibles. En próximos videos veremos cómo utilizar estos datasets.
2. 📦 UCI Machine Learning Repository
UCI Machine Learning Repository es una de las fuentes más antiguas y reconocidas para la obtención de datasets en el ámbito del machine learning. Este repositorio, mantenido por la Universidad de California, Irvine, ofrece una extensa colección de conjuntos de datos utilizados en investigación y educación. Su catálogo permite filtrar por diferentes categorías y tipos de problemas, como clasificación, regresión o clustering. Además, cada dataset incluye información detallada sobre su estructura, como el número de instancias, características y la naturaleza del problema a resolver. Para acceder a un dataset, basta con seleccionarlo en la lista, revisar su descripción y descargarlo con un solo clic.
3. 📦 Kaggle
Kaggle es una de las plataformas más completas y populares dentro de la comunidad de Data Science. Además de ser un repositorio de datasets, ofrece una amplia variedad de recursos para el aprendizaje y la práctica en machine learning. En Kaggle, puedes acceder a cursos gratuitos, explorar modelos previamente entrenados y descargar datasets en distintos formatos, como datos tabulares, imágenes, videos y audio, los cuales son aportados por la comunidad y diversas organizaciones.
Una de sus características más destacadas es la colaboración entre usuarios. Al explorar un dataset, no solo encontrarás información detallada sobre su estructura, sino también notebooks y análisis compartidos por otros usuarios en la sección «Code», lo que facilita el aprendizaje y la aplicación de diferentes técnicas en proyectos propios.
Para descargar un dataset, simplemente haz clic en el botón «Download».
Además, Kaggle es conocida por su sección de competencias, donde puedes participar en desafíos patrocinados por empresas y organizaciones, poniendo a prueba tus habilidades en machine learning y optando por premios en efectivo o reconocimiento dentro de la comunidad.
4. 📦 Papers with Code
Papers with Code es una plataforma que recopila datasets de código abierto utilizados en investigaciones científicas, con un enfoque especial en inteligencia artificial y machine learning. Su valor diferencial radica en que cada dataset está vinculado a trabajos de investigación publicados, lo que permite comprender su aplicación en estudios previos y conocer los avances que ha permitido.
Además, muchos investigadores comparten el código de sus experimentos, lo que facilita la replicación de estudios, el entrenamiento de modelos con los mismos datos y el aprendizaje de nuevas metodologías.
En la sección «Datasets», se pueden explorar los conjuntos de datos disponibles y aplicar filtros en la barra lateral para refinar la búsqueda según distintos criterios.
Al seleccionar un dataset, se accede a su descripción, la página oficial del recurso (Homepage), los estudios que lo han utilizado junto con su código y, en la sección «Dataset Loaders», enlaces a repositorios que permiten descargar y procesar el dataset de manera sencilla.
5. 📦 Portales de Datos Abiertos
Muchos gobiernos y organizaciones públicas han desarrollado portales de datos abiertos, ofreciendo acceso a una amplia variedad de datasets que pueden ser utilizados en proyectos de machine learning, investigación y análisis de datos. Estos conjuntos de datos provienen de instituciones oficiales y suelen cubrir áreas como economía, salud, transporte, medio ambiente y demografía, entre otras.
A continuación, algunos de los portales más destacados:
Estados Unidos
🔗 Data.gov → Es el portal de datos abiertos del gobierno de EE.UU., que recopila información de agencias federales, estatales y locales. Los datasets están organizados en distintas categorías, y cada uno incluye una descripción detallada y opciones de descarga.
Unión Europea
🔗 Data Europa → Este portal centraliza y facilita el acceso a los datos públicos generados por instituciones de la Unión Europea y sus Estados miembros. En la sección «Datasets», se pueden explorar distintas colecciones de datos. Para descargar, hay que dirigirse a «Link to the data», seleccionar el formato disponible y acceder al archivo a través de «Access URL».
Portales de datos abiertos en latinoamérica
Varios países de Latinoamérica han implementado sus propias plataformas de datos abiertos, facilitando el acceso a información pública relevante para estudios y proyectos de machine learning.
🇦🇷 Argentina: https://datos.gob.ar/
🇲🇽 México: https://datos.gob.mx/busca/dataset
🇨🇴 Colombia: https://www.datos.gov.co/
🇨🇱 Chile: https://datos.gob.cl/
🇧🇷 Brasil: https://dados.gov.br/
🇵🇪 Perú: https://www.datosabiertos.gob.pe/
🇺🇾 Uruguay: https://catalogodatos.gub.uy/
🇪🇨 Ecuador: https://www.datosabiertos.gob.ec/
🇵🇦 Panamá: https://www.datosabiertos.gob.pa/
🇩🇴 República Dominicana: https://datos.gob.do/
🇵🇾 Paraguay: https://www.datos.gov.py/
🇬🇹 Guatemala: https://datos.gob.gt/
🇧🇴 Bolivia: https://datos.gob.bo/
Cada uno de estos portales permite explorar, filtrar y descargar datasets en diferentes formatos.
6. 📦 GitHub
GitHub es una de las principales plataformas para compartir código y recursos en la comunidad de ciencia de datos. Muchos investigadores y desarrolladores publican datasets en repositorios abiertos. Uno de los más destacados es awesome-public-datasets, una colección curada que organiza datasets en distintas categorías, facilitando su acceso para diversos proyectos de machine learning y análisis de datos.
7. 📦 Hugging Face
Hugging Face es una plataforma líder en inteligencia artificial, especializada en modelos de procesamiento de lenguaje natural y aprendizaje profundo. Además de proporcionar herramientas para el desarrollo y despliegue de modelos, cuenta con una extensa colección de datasets que pueden descargarse y utilizarse fácilmente mediante su biblioteca en Python. Es una excelente opción para acceder a datos en áreas como NLP, visión por computadora y más.
8. Google Dataset Search
Google Dataset Search es un motor de búsqueda diseñado específicamente para encontrar datasets públicos en internet. Funciona de manera similar a un buscador tradicional, pero en lugar de indexar páginas web, recopila y organiza datasets de múltiples fuentes, como portales gubernamentales, universidades, organizaciones y repositorios de datos abiertos. Esta herramienta facilita la búsqueda de conjuntos de datos relevantes para investigaciones, proyectos de machine learning y análisis de datos.
Referencias
🔗 https://iddigitalschool.com/bootcamps/10-sitios-donde-descargar-datasets-de-calidad/
🔗 https://www.kaggle.com/code/macespinoza/kaggle-de-principiante-a-grandmaster-en-espa-ol
