Um conjunto de dados é uma coleção de pontos de dados relacionados, organizados para análise. Pode ser uma única tabela, um conjunto de ficheiros ou um extrato de base de dados. Um conjunto de dados tem um propósito. O conjunto de dados Iris contém medidas de pétalas e sépalas de flores, utilizado para ensinar a classificação. O conjunto de dados MNIST contém dígitos manuscritos, utilizados para avaliar o reconhecimento de imagens. O conjunto de dados de vendas de uma empresa contém transações, utilizadas para prever a receita. O conjunto de dados define os limites da análise.

Os conjuntos de dados variam muito em tamanho, qualidade e estrutura. Alguns são pequenos o suficiente para serem abertos numa folha de cálculo. Outros abrangem os petabytes em armazenamento distribuído. Alguns são cuidadosamente selecionados com origem documentada. Outros são extraídos da web com fiabilidade desconhecida. A qualidade de um conjunto de dados determina a qualidade da análise construída sobre o mesmo. Um conjunto de dados com valores em falta, amostragem enviesada ou rotulagem inconsistente produz resultados não fiáveis. Antes de utilizar um conjunto de dados, examine-o. Qual é a fonte? Como foi recolhido? Qual é o período de tempo? O que está em falta? Quais as limitações conhecidas? Estas perguntas não são opcionais. Determinam o que os dados podem suportar. Um conjunto de dados que funciona para uma análise pode ser inadequado para outra. Os dados não conhecem as suas próprias limitações. O analista deve conhecê-las.

Características do conjunto de dados

• Tamanho — número de registos e recursos
• Estrutura — tabular, hierárquica ou não estruturada
• Qualidade — precisão, integridade, consistência
• Proveniência — de onde veio e como
• Licença — termos de utilização e redistribuição

Um conjunto de dados é um instantâneo do mundo. Este instantâneo possui um enquadramento. Compreender este enquadramento faz parte da compreensão dos dados.