dataset

Contexto público de trading de BTC desde 2020.

M2DGR: un conjunto de datos multimodal y multiescenario para robots terrestres (RA-L2021 y ICRA2022).

Conjunto de datos de diálogo en chino ajustado manualmente y código de ajuste fino para ChatGLM

TorchXRayVision: una biblioteca de conjuntos de datos y modelos de radiografías de tórax. Incluye clasificadores, segmentación y autoencoders.

Datos de series temporales sobre casos del nuevo coronavirus 2019

El conjunto de datos de dominios de Internet más grande del mundo

Una lista de conjuntos de datos de Twitter y recursos relacionados.

Presentamos el conjunto de datos Audio Logical Reasoning (ALR), que consta de 6,446 muestras anotadas de texto-audio diseñadas específicamente para tareas de razonamiento complejo. Basándonos en este recurso, proponemos SoundMind, un algoritmo de aprendizaje por refuerzo (RL) basado en reglas diseñado para dotar a los modelos de lenguaje de audio (ALM) de capacidades de razonamiento bimodal profundo.

Una lista curada de conjuntos de datos de juegos y herramientas para inteligencia artificial en videojuegos.

:helicopter: Corpus de lenguaje para la industria de seguros, chatbot

Conjunto de datos de imágenes para reconocimiento de gestos con las manos

Redes de transporte para investigación

MMSA es un framework unificado para el Análisis de Sentimientos Multimodal.

Biblioteca de Python para nombres.

Un recurso central y abierto para datos y herramientas relacionados con el razonamiento de cadena de pensamientos en modelos de lenguaje grandes. Desarrollado en el grupo de investigación de Samwald: https://samwald.info/

Una lista pública y curada de recursos para biomecánica y análisis del movimiento humano: conjuntos de datos, herramientas de procesamiento, software de simulación, videos educativos, conferencias, etc.

Estadísticas de lenguajes de GitHub

Enlace y extensiones de los lenguajes C# y F# para Apache Spark.

KDD 2019: Detección robusta de anomalías para series temporales multivariantes mediante redes neuronales recurrentes estocásticas

Modelos SOTA de segmentación semántica en PyTorch

Lector/escritor independiente de TFRecord con cargadores de datos de PyTorch.

API de SemanticKITTI para visualizar conjuntos de datos, procesar información y evaluar resultados.

Generación de datos sintéticos de alta calidad, entrenamiento, medición y evaluación en un único pipeline

[ICLR 2025] Síntesis de datos de alineación desde cero mediante prompts a LLMs alineados. ¡Su pipeline eficiente y de alta calidad para la generación de datos sintéticos!

[NeurIPS 2025 Spotlight] OpenCUA: Fundamentos abiertos para agentes de uso informático

MINT-1T: Un conjunto de datos multimodal intercalado de un billón de tokens.

Grafo de conocimiento de medicina de precisión (PrimeKG)

Programa de datos abiertos de la National Gallery of Art

Funciones auxiliares para crear datasets COCO.

Conjunto de datos Total Text. Consta de 1555 imágenes con más de 3 orientaciones de texto diferentes: horizontal, multiorientado y curvo, único en su tipo.