Не ищи «правильный» датасет — бери тот, что тебе не пофиг. Здесь агрегаторы, где лежит что угодно, и подборки по темам. У каждого — что это и какие вопросы задать. Начинай с любого.
Агрегаторы и поисковики — на любую тему. Сохрани пару в закладки: пригодятся на любом уровне.
Крупнейшая площадка: сотни тысяч датасетов + данные соревнований. К каждому — обсуждения, ноутбуки с примерами и бесплатная онлайн-среда для кода.
Главный AI-хаб: тысячи датасетов (текст, картинки, звук) рядом с моделями. Всё грузится одной строкой в Python со стримингом и кэшем.
Гугл, заточенный под датасеты: ищет по всему интернету — гос-порталы, научные репозитории, Kaggle. Знаешь тему, но не знаешь, где данные, — сюда.
Еженедельная рассылка любопытных датасетов: 5 штук в неделю, 400+ выпусков с 2015 года. Есть архив с поиском — кладезь нестандартных тем.
Огромный категоризированный список открытых датасетов по темам (биология, финансы, спорт, транспорт…). Всё в одном месте, со ссылками.
Реестр больших открытых датасетов в облаке Amazon: спутники, геномика, погода, транспорт. Часто терабайты — когда захочешь пощупать «настоящий» масштаб.
Публичные датасеты, которые запрашиваешь SQL прямо в BigQuery: Wikipedia, погода, геномика, данные городов. Есть бесплатный лимит 1 ТБ запросов в месяц.
Один из старейших репозиториев: чистые аккуратные табличные датасеты для классики (классификация, регрессия). Идеально для маленького и понятного.
Если рубишься в игры — начни отсюда. Данные знакомые, вопросы придумываются сами.
Свежая выгрузка: 65 000+ игр Steam за 2021–2025 с жанрами, ценами, тегами. Удобно для первых агрегатов и группировок.
6.4 млн отзывов игроков с меткой «рекомендую / нет» — готовое поле для текстовой аналитики и NLP.
290 игр с описаниями, жанрами, рейтингами и почти миллионом отзывов — удобно связывать «характеристики игры» с «реакцией игроков».
Рекомендательные системы «на минималках» и разбор вкусов — очень наглядно.
Классика рекомендаций: оценки фильмов + жанры и теги, от 100 тыс. до 32 млн строк. Идеален для первых JOIN — начни с маленькой версии.
Официальные некоммерческие выгрузки IMDb: фильмы, сериалы, рейтинги, актёры и роли. Данных много — хорошая тренировка на чистку и связи таблиц.
114 000 треков с аудио-фичами: танцевальность, энергия, темп, «настроение» (valence), популярность. Есть зеркало на Hugging Face.
Самое ценное для найма. Данные ведут себя как в настоящем продукте: заказы, пользователи, воронки, отток.
Реальные (анонимизированные) данные бразильского маркетплейса за 2016–2018: 100 000 заказов в 9 связанных таблицах — заказы, клиенты, товары, продавцы, оплаты, отзывы, геолокация. По сути мини-модель настоящего продукта — на таком реально учат продуктовый SQL.
Компактная классика про отток: тарифы, услуги, срок, ушёл/остался. Маленький и понятный — разобраться с сегментацией и первыми предсказаниями.
Реальные транзакции британского онлайн-магазина: чеки, товары, количества, страны. Классика для RFM-анализа и когорт.
Генераторы потока событий как в стриминговом сервисе (логины, прослушивания, покупки): EventSim, Lenses Datagen, Mockingbird. Данные создаёшь сам — идеально для продуктовых метрик.
Огромные датасеты, на которых можно честно сказать «я работал с миллиардами строк». Часть крутится прямо в браузере — устанавливать ничего не надо.
Пишешь SQL прямо в браузере по 35+ реальным датасетам — посты Reddit и Hacker News, события GitHub, погода NOAA, форекс. К каждому идёт 220+ готовых запросов, так что учиться можно, разбирая чужой SQL, и без единой установки.
Вся публичная активность GitHub, записанная почасово: коммиты, звёзды, PR, форки. Грузится в BigQuery или ClickHouse — тот самый масштаб, чтобы честно сказать «работал с большими данными».
Живой поток правок Википедии в реальном времени через Server-Sent Events. Данные текут прямо сейчас — идеально для первого проекта с настоящим стримингом.
Если ближе «серьёзные» темы — здесь чистые данные и готовые примеры того, как из цифр делают историю.
Здоровье, климат, экономика, население — по странам и годам, с уже готовыми визуализациями и полным каталогом данных. Учит рассказывать историю цифрами и честно показывать неопределённость.
Чистые датасеты под их статьи о спорте, политике и культуре — все выложены на GitHub. Фишка: к каждому идёт статья-пример, как из данных сделали материал, так что можно повторить анализ и копнуть глубже.
Мировая экономика и развитие по странам: ВВП, население, образование, энергия — сотни показателей за десятилетия. Есть удобный API, так что данные можно тянуть прямо в код.