中心趋势的测量在数据分析中至关重要，常用的指标包括均值、 медиана 和众数。均值是所有值的总和除以数量，受极端值影响； медиана 是排序后的中间值，众数是出现频率最高的值。方差和标准差用于衡量数据的离散程度，而四分位数间距（IQR）则衡量中间50%的数据分布。

2024年Mozilla AI数据集会议后，研究者发布了开放数据集最佳实践，以提升大型语言模型训练的透明度和公平性。研究指出，数据来源不明会导致法律模糊，影响创新。为推动负责任的AI发展，需要在法律、技术和政策领域合作，制定开放数据集的处理和发布标准。

自我监督学习（SSL）通过分析输入与样本之间的关系，从未标记数据中提取有意义的表示，尤其在单细胞基因组学（SCG）中展现出潜力。德国研究团队探讨了SSL在SCG中的有效应用，发现掩蔽自动编码器优于对比学习，并且SSL在小数据集和未见数据集上表现更佳。这项研究为SCG中的SSL提供了实证基础，并强调了预训练数据集的重要性。

Reader-LM 模型高效处理超长网页内容，能够将 HTML 转换为清晰的 Markdown 格式，支持高达 256K 字节，表现优于 GPT-4o，适合资源受限的场景。该模型已上线 hyper.ai，提供多种优质数据集和教程，帮助用户快速提取信息。

本研究提出Dialect2SQL，这是首个针对摩洛哥达里贾的跨领域文本到SQL数据集，包含9,428个自然语言问题及其对应的SQL查询，旨在解决阿拉伯方言资源不足的问题。

本研究解决了分类器无法准确区分新生成图像和真实图像的问题，提出了CLOFAI数据集，专注于持续学习场景下的图像分类。该数据集作为评估持续学习方法的基准，应用了三种基础方法并发现GEM和经验重放表现优异，为未来的AI分类器更新提供了新的方向。

本研究针对挪威语缺乏问答数据集的问题，提出了一系列新的问答数据集，包括NorOpenBookQA、NorCommonSenseQA、NorTruthfulQA和NRK-Quiz-QA，这些数据集覆盖了广泛的技能和知识领域。研究表明，大多数语言模型在挪威书写标准Bokmål上表现优于Nynorsk，并且在常识推理方面存在显著不足，同时在生成答案时常常不够准确。

本研究解决了传统特征向量模型在语音语言识别中的局限，提出了一种新的网络架构，在语言特征捕捉和处理上进行优化。通过重组时间延迟神经网络并引入专门的池化层，我们的模型在十种语言的识别精度上达到了97%，显著提升了语言处理系统的准确性和效率，推动了智能语音识别技术的发展。

本研究针对目前缺乏适合合成孔径雷达（SAR）图像的基准数据集这一问题，提出了OpenEarthMap-SAR数据集，以促进SAR基础的地理空间分析。该数据集包含来自日本、法国和美国的5033幅空中和卫星图像，提供详细的8类土地覆盖标签，并评估了现有语义分割技术的性能。此项工作为全球高分辨率土地覆盖制图提供了重要的资源和参考，有助于推动相关领域的研究进展。

医疗人工智能的发展依赖于高质量的数据集，涵盖疾病诊断、药物研发和个性化医疗等领域。本文整理了10个医学数据集，包括中医药、医学问答和推理，旨在帮助研究人员了解数据资源的特点与应用。