لا يمكنك تعلم «التعلم الآلي» من خلال القراءة فحسب — بل تتعلمه من خلال البناء، والبناء يتطلب بيانات. والخبر السار هو: أن هناك كمية هائلة من البيانات المجانية عالية الجودة المتاحة في عام 2026. والتحدي يكمن في معرفة أين تبحث عنها. يجمع هذا الدليل أفضل 15 مجموعة بيانات ومصدرًا مجانيًا للبيانات، مرتبة حسب النوع، مع نصائح حول اختيار المجموعة المناسبة.
أبرز الاستنتاجات
- أفضل نقطة انطلاق: Kaggle ومستودع التعلم الآلي التابع لـ UCI.
- للمبتدئين: مجموعات البيانات الصغيرة الكلاسيكية مثل «إيريس» و«MNIST» و«تايتانيك».
- للبحث: يُفهرس كل من «Google Dataset Search» و«Hugging Face Datasets» ملايين الخيارات.
- قم بمطابقة مجموعة البيانات مع هدفك — صغيرة ونظيفة للتعلم، وكبيرة وفوضوية لممارسة الواقعية.
مراكز البيانات ومحركات البحث
تستضيف هذه المنصات أو تُفهرس أعدادًا هائلة من مجموعات البيانات في جميع المجالات — وهي أفضل مكان للبدء.
1. مجموعات البيانات على Kaggle — أكبر منصة لمجموعات البيانات المجتمعية. عشرات الآلاف من مجموعات البيانات حول كل موضوع يمكن تخيله، ومعظمها مصحوب بدفاتر أمثلة توضح كيف استخدمها الآخرون. أفضل مورد على الإطلاق للتدريب والحصول على أفكار للمشاريع.
2. مستودع التعلم الآلي التابع لجامعة كاليفورنيا في إيرفين (UCI) — المجموعة الأكاديمية العريقة. مئات من مجموعات البيانات النظيفة والموثقة جيدًا، والتي تُعد مثالية لتعلم خوارزميات محددة. وقد نشأت العديد من مجموعات البيانات الشهيرة المخصصة للمبتدئين من هنا.
3. بحث مجموعات البيانات من Google — محرك بحث عن مجموعات البيانات في جميع أنحاء الويب. إذا كان لديك موضوع معين في ذهنك، فابحث عنه هنا لتجد مجموعات بيانات لم تكن لتكتشفها بأي طريقة أخرى.
4. مجموعات بيانات Hugging Face — مركز رائد في مجال الذكاء الاصطناعي الحديث، يضم مكتبة ضخمة من مجموعات البيانات — لا سيما تلك المتعلقة بالنصوص واللغات والأعمال متعددة الوسائط — والتي يمكن تحميلها مباشرةً في الكود باستخدام أمر واحد.
5. مجموعات البيانات العامة الرائعة — قائمة كبيرة ومُنتقاة بعناية ويقوم المجتمع بصيانتها على GitHub، مُصنَّفة حسب الموضوع. وهي طريقة رائعة لتصفح المصادر عالية الجودة حسب المجال.
الحكومة والبيانات المفتوحة
تنشر المؤسسات العامة كميات هائلة من البيانات المجانية والموثوقة — وهي مثالية للمشاريع الواقعية.
6. Data.gov — بوابة البيانات المفتوحة التابعة للحكومة الأمريكية: مئات الآلاف من مجموعات البيانات التي تغطي مجالات الاقتصاد والصحة والمناخ والنقل وغيرها.
7. البيانات المفتوحة للبنك الدولي — بيانات التنمية العالمية عبر مختلف البلدان وعلى مدى عقود — الاقتصاد، والسكان، والتعليم، والبيئة. مصدر ممتاز لمشاريع التحليل والتنبؤ.
8. عالمنا في الأرقام — مجموعات بيانات دقيقة وموثقة جيدًا حول موضوعات عالمية مثل الصحة والطاقة والسكان، مصحوبة بتفسيرات واضحة.
مجموعات بيانات الصور والرؤية الحاسوبية
لـ الرؤية الحاسوبية المشاريع:
9. ImageNet — مجموعة البيانات الضخمة للصور المصنفة التي ساهمت في إطلاق عصر التعلم العميق. ملايين الصور موزعة على آلاف الفئات — المعيار القياسي لتصنيف الصور.
10. COCO (الأشياء الشائعة في سياقها) — مجموعة البيانات المرجعية في مجال الكشف عن الكائنات وتقسيمها، حيث تم تصنيف الصور وفقًا للكائنات التي تحتوي عليها ومواقع تلك الكائنات.
11. MNIST و Fashion-MNIST — مجموعات بيانات صغيرة ونظيفة من الأرقام المكتوبة بخط اليد (وصور الملابس). تعتبر هذه بمثابة “hello world” الكلاسيكية في مجال تصنيف الصور — وهي مثالية لإنشاء أول نموذج للرؤية.
مجموعات بيانات النصوص واللغات
بالنسبة لمشاريع اللغة الطبيعية:
12. كومون كرول — أرشيف ضخم ومجاني لبيانات صفحات الويب — وهو نوع النص الخام الذي يُستخدم لتدريب نماذج اللغة الضخمة. إنه أرشيف ضخم وصعب التعامل معه، لكنه لا مثيل له من حيث الحجم.
13. ملفات ويكيبيديا — النص الكامل لـ«ويكيبيديا»، متاح للتنزيل مجانًا. مجموعة نصوص نظيفة وعالية الجودة تُستخدم على نطاق واسع في المهام اللغوية.
14. مجموعات بيانات المشاعر والمراجعات — تعد مجموعات مراجعات المنتجات والأفلام المصنفة حسب المشاعر (المتوفرة على نطاق واسع على منصتي Kaggle وHugging Face) مثالية لتعلم تصنيف النصوص.
أعمال كلاسيكية مناسبة للمبتدئين
15. «إيريس» و«تايتانيك» والإسكان في كاليفورنيا — مجموعات البيانات التعليمية الكلاسيكية. إيريس (تصنيف الأزهار) و الإسكان في كاليفورنيا (توقع الأسعار) مدمجة في مكتبة scikit-learn؛; تايتانيك (توقع البقاء على قيد الحياة) هي مسابقة المبتدئين الشهيرة التي تنظمها Kaggle. صغيرة الحجم، وواضحة، وموثقة جيدًا — الخيار الأمثل لك النموذج الأول.
كيفية اختيار مجموعة البيانات المناسبة
يعتمد اختيار أفضل مجموعة بيانات على الهدف الذي تسعى إلى تحقيقه:
| هدفك | اختر… |
|---|---|
| تعلم الأساسيات | أعمال كلاسيكية صغيرة ونظيفة — Iris، MNIST، Titanic |
| ممارسة المهارات العملية | مجموعات بيانات Kaggle الأكبر حجمًا والأكثر تعقيدًا |
| موضوع محدد | البحث في مجموعات بيانات Google |
| الرؤية الحاسوبية | MNIST → COCO → ImageNet |
| اللغة الطبيعية | مجموعات بيانات Hugging Face |
| مشروع محفظة | مجموعة بيانات حول موضوع يهمك حقًا |
بعض النصائح العملية:
- ابدأ بخطوات صغيرة ونظيفة. عند التعلم، تتيح لك مجموعة البيانات المنظمة التركيز على مفاهيم التعلم الآلي. احتفظ بالبيانات غير المنظمة لوقت تتدرب فيه على تنظيف البيانات بشكل متعمد.
- تحقق من الترخيص. معظم مجموعات البيانات المتوفرة هنا متاحة للاستخدام مجانًا، ولكن إذا كان مشروعك عامًّا أو تجاريًّا، فيُرجى التأكد من الشروط.
- اختر شيئًا يهمك. الدافع مهم. فمجموعة البيانات المتعلقة بموضوع تثير اهتمامك حقًّا ستمنحك الدافع للاستمرار عندما تصبح المهمة صعبة.
- انتبه إلى جودة البيانات والتحيز. تحتوي مجموعات البيانات الحقيقية على أخطاء وقد تنطوي على التحيُّز. تحقق من صحة بياناتك قبل الوثوق في نموذج تم بناؤه بناءً عليها.
التحقق من صحة مجموعة البيانات قبل الوثوق بها
العثور على مجموعة بيانات هو الجزء السهل. أما المهارة الأصعب فهي تقييم ما إذا كانت هذه المجموعة ستثبت فعاليتها فعليًّا بعد تدريب النموذج عليها، لأن مجموعات البيانات المجانية تنطوي على مشكلات خفية قد تؤدي، دون أن تشعر، إلى تضخيم نتائجك أو إفشال مشروعك لاحقًا. لذا، قبل أن تقرر استخدام أي مجموعة بيانات، قم بإخضاع كل مجموعة مرشحة لعدد من الاختبارات الدقيقة.
اقرأ الوثائق أولاً. تُرفق أفضل مجموعات البيانات بورقة بيانات أو بطاقة بيانات، وهي وثيقة موجزة تصف كيفية جمع البيانات، ومحتواها، والقيود المعروفة، والطريقة المقصودة لاستخدامها. ويستمد هذا المفهوم من الورقة البحثية المؤثرة التي نشرها جيبرو وزملاؤه بعنوان ’ورقات البيانات لمجموعات البيانات“ (Datasheets for Datasets)، ثم قامت ”جوجل» لاحقًا بنشر مفهوم «بطاقات البيانات» (Data Cards) الأكثر بساطة. لا يوجد معيار موحد في هذا المجال، لذا تختلف التغطية من حالة إلى أخرى، لكن وجود مجموعة بيانات لا تحتوي على وصف لمصدرها أو طريقة جمعها يُعد علامة تحذيرية. فإذا لم تتمكن من معرفة مصدر البيانات، فلن تتمكن من توقع أوجه القصور فيها.
تحقق من وجود تسرب في التدريب/الاختبار ومن وجود تكرارات. حتى أكثر المعايير شهرةً ليست خالية من التداخل. وقد كشفت عمليات تدقيق مستقلة أن ما يقارب 3% من صور الاختبار في CIFAR-10 وحوالي 10% من صور الاختبار في CIFAR-100 تحتوي على نسخ شبه مطابقة في مجموعات التدريب الخاصة بها، مما يسمح للنموذج بـ“حفظ” طريقه نحو الحصول على درجة عالية مضللة. إذا قمت بتقسيم مجموعة البيانات الأولية بنفسك، فقم أولاً بإزالة التكرارات، ولا تدع أبدًا نفس الصورة أو المستند أو المستخدم يظهر في كل من مجموعات التدريب والاختبار.
لنفترض أن بعض التسميات خاطئة. تعد أخطاء التصنيف هي القاعدة وليست الاستثناء. فقد وثق الباحثون وجود أخطاء شائعة في التصنيف عبر معايير الأداء الشائعة الاستخدام، حيث يُقدَّر أن مجموعة التحقق الخاصة بـ ImageNet وحدها تحتوي على نسبة تبلغ بضعة في المائة من التصنيفات الخاطئة. لذا، قم بفحص عشوائي يدوي لعينة تتراوح بين 50 و100 مثال قبل أن تثق في أي دقة مُعلنة.
ويُستكمل ذلك بفحصين عمليين آخرين:
- الحداثة والتوازن. تأكد من أن البيانات حديثة بما يكفي لمشكلتك، وافحص توزيع الفئات. فمجموعة البيانات التي تحتوي على فئة واحدة بنسبة 95% ستؤدي إلى تدريب نموذج لا يقوم سوى بالتنبؤ بتلك الفئة.
- قابلية التكرار. يفضل استخدام مجموعات البيانات التي يتم استضافتها في مكان مستقر وبإصدار ثابت، حتى يتسنى إعادة تشغيل النتائج، وحتى لا تتغير البيانات دون علمك.
إن قضاء ساعة في إجراء هذه الفحوصات مسبقًا يوفر وقتًا أكثر بكثير مما يستغرقه تصحيح أخطاء نموذج تعلم أشياء خاطئة من بيانات لم تقم بفحصها مطلقًا.
الأسئلة الشائعة
أين يمكنني العثور على مجموعات بيانات مجانية للتعلم الآلي؟
أفضل نقاط البداية هي مجموعات بيانات Kaggle ومستودع التعلم الآلي التابع لـ UCI. ولإجراء عمليات بحث أوسع نطاقًا، استخدم «Google Dataset Search» و«Hugging Face Datasets». كما توفر البوابات الحكومية مثل Data.gov والبنك الدولي كميات هائلة من البيانات المجانية والموثوقة.
ما هي أفضل مجموعة بيانات للمبتدئين في مجال التعلم الآلي؟
مجموعات البيانات الكلاسيكية الصغيرة والواضحة: «إيريس» (تصنيف الأزهار) و«كاليفورنيا هاوسينغ» (توقع الأسعار)، وكلاهما مدمجان في مكتبة scikit-learn، بالإضافة إلى مجموعة بيانات «تايتانيك» على منصة Kaggle. هذه المجموعات موثقة جيدًا وتتيح لك التركيز على تعلم سير عمل التعلم الآلي بحد ذاته.
هل استخدام Kaggle مجاني؟
نعم. موقع Kaggle مجاني — يمكنك تنزيل عشرات الآلاف من مجموعات البيانات، وتشغيل الأكواد البرمجية في دفاتر سحابية مجانية، ودراسة الحلول التي توصل إليها الآخرون، والمشاركة في المسابقات، كل ذلك دون أي تكلفة. وهو أحد أفضل الموارد المجانية لتعلم التعلم الآلي.
ما هي مجموعة البيانات التي ينبغي أن أستخدمها في مشروع يتعلق بالرؤية الحاسوبية؟
ابدأ بـ MNIST أو Fashion-MNIST — وهما مجموعتا بيانات صور صغيرتان وواضحتان، ومثاليتان لإنشاء أول نموذج للرؤية. ثم انتقل إلى COCO لاكتشاف الكائنات وتقسيمها، وإلى ImageNet لتصنيف الصور على نطاق واسع مع تطور مهاراتك.
هل يمكنني استخدام مجموعات البيانات هذه في مشاريع تجارية؟
يتم ترخيص العديد منها بموجب تراخيص مفتوحة تسمح بأي استخدام، لكن التراخيص تختلف باختلاف مجموعة البيانات. احرص دائمًا على مراجعة الترخيص والشروط المحددة قبل استخدام مجموعة بيانات في مشروع تجاري أو مشروع يتم نشره للجمهور — ولا تفترض أن عبارة “مجاني للتنزيل” تعني “مجاني لأي غرض”.”
هل يمكنني قانونًا تدريب نموذج تجاري باستخدام مجموعة بيانات مجانية؟
ليس دائمًا، والترخيص هو الذي يحدد ذلك. تعد مجموعات البيانات التي يتم إصدارها تحت ترخيص CC0 (الملكية العامة) هي الأكثر أمانًا للاستخدام التجاري، في حين أن ترخيص CC-BY يسمح بالاستخدام التجاري ولكنه يشترط ذكر المصدر. تقتصر العديد من مجموعات البيانات البحثية الشهيرة، بما في ذلك ImageNet، على الأغراض البحثية والتعليمية غير التجارية فقط. وما يزيد الأمر تعقيدًا هو أنه لا يزال هناك غموض قانوني حول ما إذا كان النموذج الذي تم تدريبه على مجموعة بيانات ما يُعتبر “عملًا مشتقًا”، لذا اقرأ كل ترخيص بعناية، وافضل استخدام مجموعات البيانات ذات الشروط التجارية الواضحة والمتساهلة لأي شيء تخطط لإطلاقه.
كيف يمكنني العثور على مجموعة بيانات جيدة في شكل جداول أو ملف CSV لمشروع مخصص للمبتدئين؟
ابدأ بمحركات البحث ومراكز تجميع مجموعات البيانات، ثم قم بالتصفية حسب نوع الملف (CSV) وعدد الصفوف الصغير إلى المتوسط، بحيث يمكن فتح الملف بسهولة في برنامج جداول البيانات أو في مكتبة pandas. ابحث عن مجموعات البيانات التي تحتوي على وصف واضح للأعمدة، وعدد معقول من السمات، وعمود مستهدف محدد جيدًا للتنبؤ. تعد المجموعات الجدولية المنظمة والموثقة جيدًا مثالية لتعلم الخوارزميات الكلاسيكية قبل الانتقال إلى الصور أو النصوص.
كيف يمكنني التحقق من وجود أخطاء في التسميات في مجموعة البيانات قبل استخدامها؟
اختر عينة عشوائية تتراوح بين 50 و100 صف، وتحقق من التسميات يدويًّا بمقارنتها مع البيانات الأولية. بالنسبة لمجموعات البيانات الأكبر حجمًا أو مجموعات البيانات التي تحتوي على صور، يمكن لأدوات التعلم القائم على الثقة، مثل cleanlab، أن تحدد تلقائيًا الأمثلة التي يُرجح أنها مصنفة بشكل خاطئ من خلال مقارنة كل تصنيف مع الاحتمالات المتوقعة للنموذج. وحتى الفحص اليدوي السريع سيخبرك ما إذا كان مستوى الضوضاء منخفضًا بما يكفي للثقة في مقاييس التقييم الخاصة بك.
الخلاصة
لم يسبق أن توفرت بيانات مجانية وعالية الجودة للتعلم الآلي بكميات تضاهي ما هو متوفر في عام 2026. وللتدريب والمشاريع، ابدأ بـ Kaggle والـ مستودع جامعة كاليفورنيا في إيرفين; ؛ للبحث عن شيء محدد، استخدم البحث في مجموعات بيانات Google و Hugging Face. إذا كنت في بداية الطريق، فإن مجموعات البيانات الصغيرة الكلاسيكية — إيريس، MNIST، تيتانيك — لا تزال هي أفضل مكان لتعلم سير العمل.
النصيحة الحقيقية بسيطة: توقف عن جمع مجموعات البيانات وابدأ في استخدام إحداها. اختر موضوعًا يهمك، واحصل على البيانات، و بناء نموذج. إن التدريب العملي باستخدام بيانات حقيقية هو ما يحول نظرية التعلم الآلي إلى مهارة.
