有没有相关的论文或文献参考？
这个数据集是基于什么背景创建的？
数据集的作者是谁？
能帮我联系到这个数据集的作者吗？
这个数据集如何下载？
Professional Go Dataset (PGD)|围棋数据集|数据分析数据集
收藏arXiv2022-04-30 更新2024-06-21 收录
下载链接：
https://github.com/Gifanan/Professional-Go-Dataset
下载链接
链接失效反馈资源简介：
本论文介绍了首个专业围棋数据集PGD，由2148名职业选手在1950至2021年间进行的98,043场比赛组成。数据集经过人工清洗和标注，提供了每位选手、每场比赛和每项赛事的详细元信息。此外，数据集还包括由基于AlphaZero的高级AI对每步棋的分析结果。PGD旨在通过提供完整元信息和构建的游戏内特征，推动围棋相关的数据驱动分析研究，增强粉丝体验，帮助选手提升能力，并促进其他有前景的领域发展。
提供机构：
中国科学技术大学生命科学与医学部
创建时间：
2022-04-30
AI搜集汇总
数据集介绍
构建方式
Professional Go Dataset (PGD) 的构建基于从公开的围棋数据集中提取的98,043场比赛记录，涵盖了1950年至2021年间2,148名职业棋手的比赛。数据集通过手动清理和标注，为每位棋手、每场比赛和每个赛事提供了详细的元信息。此外，利用基于AlphaZero算法的KataGo对每场比赛的每一步进行了分析，生成了丰富的对局统计数据。通过结合围棋领域的先验知识，进一步提取了能够指示比赛状态的有意义的对局特征。
特点
PGD 数据集的显著特点在于其全面性和深度。它不仅包含了大量的比赛记录和棋手信息，还通过先进的AI技术提供了每一步棋的详细分析结果。这些分析结果包括胜率、得分差异和推荐走法等，为数据驱动的围棋分析提供了坚实的基础。此外，数据集还包含了多种元信息和比赛特征，使得研究者能够进行多维度的性能分析和预测。
使用方法
PGD 数据集可用于多种围棋相关的数据分析任务，包括比赛结果预测、棋手行为和风格建模、以及实时比赛解说增强等。研究者可以通过提取和分析数据集中的元信息、上下文特征和对局特征，构建机器学习模型来预测比赛结果或分析棋手的比赛风格。此外，数据集还可用于开发实时比赛解说系统，通过结合AI的分析结果和历史数据，提供更为详细和精准的比赛解说，从而提升观众的观赛体验。
背景与挑战
背景概述
围棋（Go）作为东亚地区最受欢迎的棋类游戏之一，拥有稳定的职业体育体系，在中国、日本和韩国已有数十年的历史。尽管围棋在全球范围内拥有庞大的观众群体和丰厚的赛事奖金，但其数据驱动的分析技术发展却相对滞后。这主要归因于缺乏完整的数据集、元信息以及比赛中的统计数据。为了填补这一空白，高逸凡等人于2022年创建了专业围棋数据集（Professional Go Dataset, PGD），该数据集包含了1950年至2021年间由2,148名职业棋手进行的98,043场比赛。通过手动清理和标注，PGD提供了每位棋手、每场比赛和每场锦标赛的详细元信息，并包含了基于AlphaZero的高级AI对每一步棋的分析结果。PGD的推出不仅为围棋数据驱动的分析提供了基准，还显著提升了比赛结果预测的准确性，为围棋相关研究开辟了新的方向。
当前挑战
尽管PGD为围棋数据驱动的分析提供了丰富的资源，但其构建和应用过程中仍面临诸多挑战。首先，围棋比赛缺乏能够指示双方状态的统计数据，如篮球中的篮板球，这增加了特征工程的难度。其次，相对于其他流行体育项目，围棋的普及度较低，导致数据收集和有效特征构建的复杂性增加。此外，PGD在处理不同规则和贴目（komi）时，需要确保AI分析的准确性和一致性，这为数据集的构建带来了额外的技术挑战。最后，尽管PGD在比赛结果预测方面取得了显著进展，但其应用仍需进一步探索，特别是在行为和风格建模、评级系统以及实时解说增强等领域，以全面提升围棋数据分析的深度和广度。
常用场景
经典使用场景
Professional Go Dataset (PGD) 最经典的使用场景在于围棋比赛结果的预测。通过整合从1950年到2021年的98,043场专业围棋比赛数据，PGD提供了丰富的元信息和比赛中的统计数据，使得机器学习模型能够更准确地预测比赛结果。例如，利用PGD中的数据，研究人员可以训练模型来预测特定选手在不同比赛中的表现，从而为选手和观众提供有价值的洞察。
实际应用
PGD 在实际应用中具有广泛的前景。首先，它可以用于围棋比赛的实时分析和解说，通过AI生成的统计数据和预测结果，增强观众的观赛体验。其次，PGD 可以帮助职业选手进行比赛准备和策略优化，通过分析对手的历史比赛数据，制定更有效的比赛策略。此外，PGD 还可以用于围棋教学和培训，通过展示高水平选手的比赛数据和AI分析，帮助初学者和中级选手提升技能。
衍生相关工作
PGD 的发布激发了大量相关研究工作。例如，研究人员利用PGD中的数据开发了新的围棋比赛结果预测模型，这些模型在准确性和效率上均超过了传统的评级系统。此外，PGD 还促进了围棋选手风格和行为建模的研究，通过分析选手的比赛数据，识别和分类不同的比赛风格，这对于个性化训练和比赛策略制定具有重要意义。PGD 的成功也为其他棋类游戏的数据集构建和分析提供了借鉴，推动了整个棋类游戏数据科学领域的发展。
以上内容由AI搜集并总结生成
数据主题
5,000+
优质数据集
54 个
任务类型
进入经典数据集
热门数据集
中国区域交通网络数据集
该数据集包含中国各区域的交通网络信息，包括道路、铁路、航空和水路等多种交通方式的网络结构和连接关系。数据集详细记录了各交通节点的位置、交通线路的类型、长度、容量以及相关的交通流量信息。
data.stats.gov.cn 收录
中国1km分辨率逐月降水量数据集（1901-2023）
该数据集为中国逐月降水量数据，空间分辨率为0.0083333°（约1km），时间为1901.1-2023.12。数据格式为NETCDF，即.nc格式。该数据集是根据CRU发布的全球0.5°气候数据集以及WorldClim发布的全球高分辨率气候数据集，通过Delta空间降尺度方案在中国降尺度生成的。并且，使用496个独立气象观测点数据进行验证，验证结果可信。本数据集包含的地理空间范围是全国主要陆地（包含港澳台地区），不含南海岛礁等区域。为了便于存储，数据均为int16型存于nc文件中，降水单位为0.1mm。 nc数据可使用ArcMAP软件打开制图; 并可用Matlab软件进行提取处理，Matlab发布了读入与存储nc文件的函数，读取函数为ncread，切换到nc文件存储文件夹，语句表达为：ncread (‘XXX.nc’,‘var’, [i j t],[leni lenj lent])，其中XXX.nc为文件名，为字符串需要’’；var是从XXX.nc中读取的变量名，为字符串需要’’；i、j、t分别为读取数据的起始行、列、时间，leni、lenj、lent i分别为在行、列、时间维度上读取的长度。这样，研究区内任何地区、任何时间段均可用此函数读取。Matlab的help里面有很多关于nc数据的命令，可查看。数据坐标系统建议使用WGS84。
国家青藏高原科学数据中心 收录
Titanic Dataset
Titanic Data Analysis: A Journey into Passenger Profiles and Survival Dynamics
kaggle 收录
TT100K - Tsinghua-Tencent 100K
TT100K数据集是一个用于交通标志检测和识别的大规模数据集，包含100,000张标注的交通标志图像。该数据集主要用于计算机视觉和自动驾驶领域的研究。
cg.cs.tsinghua.edu.cn 收录
Nexdata/chinese_dialect
该数据集包含25,000小时的中文方言语音数据，收集自多个方言区域的本地方言使用者，涵盖闽南语、粤语、四川话、河南话、东北话、上海话、维吾尔语和藏语等。数据格式为16kHz、16bit、未压缩的wav文件，单声道。句子准确率超过95%。数据集支持的任务包括自动语音识别（ASR）和音频说话人识别。
hugging_face 收录