dataset

Öffentlicher BTC-Trading-Kontext seit 2020.

M2DGR: Ein multimodales und multiszenariobasiertes Dataset für Bodenroboter (RA-L2021 & ICRA2022)

Ein manuell feinabgestimmter chinesischer Dialogdatensatz und Code zum Fine-Tuning von ChatGLM

TorchXRayVision: Eine Bibliothek mit Röntgenthorax-Datensätzen und -Modellen. Klassifizierer, Segmentierung und Autoencoder.

Zeitreihendaten zu Fällen des neuartigen Coronavirus 2019

Weltweit größter einzelner Internet-Domain-Datensatz

Eine Liste von Twitter-Datensätzen und zugehörigen Ressourcen.

:video_game: Eine kuratierte Liste großartiger Spieldatensätze und Werkzeuge für künstliche Intelligenz in Spielen

Wir stellen den Datensatz „Audio Logical Reasoning (ALR)“ vor, der aus 6.446 text-audio-annotierten Stichproben besteht, die speziell für komplexe Reasoning-Aufgaben entwickelt wurden. Basierend auf dieser Ressource schlagen wir SoundMind vor, einen regelbasierten Reinforcement-Learning-Algorithmus (RL), der Audiolanguage-Modelle (ALMs) mit tiefen bimodalen Reasoning-Fähigkeiten ausstattet.

:helicopter: Korpus für die Versicherungsbranche, Chatbot

Bilddatensatz zur Handgestenerkennung

Transportnetzwerke für die Forschung

MMSA ist ein einheitliches Framework für multimodale Sentiment-Analyse.

Die Python-Bibliothek für Namen.

Eine zentrale, offene Ressource für Daten und Tools rund um Chain-of-Thought-Reasoning in großen Sprachmodellen. Entwickelt von der Samwald Research Group: https://samwald.info/

Eine kuratierte, öffentliche Liste von Ressourcen für Biomechanik und Analyse menschlicher Bewegungen: Datensätze, Verarbeitungswerkzeuge, Simulationssoftware, Lernvideos, Vorlesungen usw.

GitHub-Sprachstatistiken

C#- und F#-Sprachbindungen und -erweiterungen für Apache Spark

KDD 2019: Robust Anomaly Detection for Multivariate Time Series through Stochastic Recurrent Neural Network

SOTA Semantic-Segmentation-Modelle in PyTorch

Eigenständiger TFRecord-Reader/Writer mit PyTorch-Datenladern

SemanticKITTI-API zur Visualisierung von Datensätzen, Verarbeitung von Daten und Auswertung von Ergebnissen.

Generierung hochwertiger synthetischer Daten sowie Training, Messung und Evaluierung in einer einzigen Pipeline

[ICLR 2025] Alignment Data Synthesis from Scratch by Prompting Aligned LLMs with Nothing. Ihre effiziente und hochwertige Pipeline zur Generierung synthetischer Daten!

[NeurIPS 2025 Spotlight] OpenCUA: Open Foundations für Computer-Use Agents

🍃 MINT-1T: Ein multimodaler, verschränkter Datensatz mit einer Billion Token.

Wissensgraph für Präzisionsmedizin (PrimeKG).

Das Open-Data-Programm der National Gallery of Art

Hilfsfunktionen zum Erstellen von COCO-Datensätzen

Total Text Dataset. Es besteht aus 1555 Bildern mit mehr als 3 verschiedenen Textausrichtungen: horizontal, mehrfach ausgerichtet und gekrümmt, einzigartig seiner Art.