مجموعة البيانات هي مجموعة من نقاط البيانات المترابطة، مُنظمة لغرض التحليل. قد تكون جدولًا واحدًا، أو مجموعة ملفات، أو مُستخرجًا من قاعدة بيانات. لكل مجموعة بيانات غرضٌ مُحدد. على سبيل المثال، تحتوي مجموعة بيانات زهرة السوسن على قياسات بتلات وأزهار، تُستخدم لتعليم التصنيف. بينما تحتوي مجموعة بيانات MNIST على أرقام مكتوبة بخط اليد، تُستخدم لتقييم أداء التعرف على الصور. أما مجموعة بيانات مبيعات الشركة، فتحتوي على معاملات، تُستخدم للتنبؤ بالإيرادات. تُحدد مجموعة البيانات نطاق التحليل.

تتفاوت مجموعات البيانات بشكل كبير في الحجم والجودة والبنية. بعضها صغير بما يكفي لفتحه في جدول بيانات، بينما يمتد بعضها الآخر إلى بيتابايتات موزعة على وحدات تخزين متعددة. بعضها مُنسق بعناية مع توثيق مصدره، بينما يُستخرج البعض الآخر من الإنترنت بموثوقية غير معروفة. تحدد جودة مجموعة البيانات جودة التحليل المُستند إليها. فمجموعة البيانات التي تحتوي على قيم مفقودة، أو عينات متحيزة، أو تصنيفات غير متسقة، تُنتج نتائج غير موثوقة. قبل استخدام أي مجموعة بيانات، يجب فحصها جيدًا. ما هو مصدرها؟ كيف جُمعت؟ ما هي الفترة الزمنية؟ ما هي البيانات المفقودة؟ ما هي القيود المعروفة؟ هذه الأسئلة ضرورية، فهي تُحدد ما يمكن أن تدعمه البيانات. قد تكون مجموعة البيانات المناسبة لتحليل معين غير مناسبة لتحليل آخر. فالبيانات لا تعرف قيودها، بل يجب على المحلل معرفتها.

خصائص مجموعة البيانات

• الحجم - عدد السجلات والميزات
• الهيكل - جدولي، هرمي، أو غير منظم
• الجودة - الدقة، والشمولية، والاتساق
• الأصل - من أين أتى وكيف
• الترخيص - شروط الاستخدام وإعادة التوزيع

مجموعة البيانات هي لقطة للعالم. لهذه اللقطة إطار. وفهم هذا الإطار جزء من فهم البيانات.